08.11-08.17 临床预测模型研究顶刊快报

1.整合急性冠状动脉综合征罪犯病变诊断与风险评估的人工智能模型  08.11  eClinicalMedicine

2.荷兰一项基于人群的筛查计划中，人工智能作为独立的第二读取器检测临床相关的乳腺癌：一项回顾性队列研究  08.14  The Lancet Digital Health

1.人工智能驱动的多模态数据融合用于阿尔茨海默病生物标志物评估  08.11  Nature Communications

1.整合急性冠状动脉综合征罪犯病变诊断与风险评估的人工智能模型

An artificial intelligence model integrating culprit lesion diagnosis and risk assessment for acute coronary syndrome

（1）背景：急性冠状动脉综合征（ACS）是全球发病和死亡的主要原因，约50%的ST段抬高型心肌梗死（STEMI）患者存在多支冠状动脉疾病（CAD）。尽管现有指南推荐冠状动脉CT血管造影（CCTA）用于ACS风险评估，但传统预测模型依赖线性统计方法，难以捕捉临床实践中复杂的变量交互关系。当前亟需一种整合机器学习（ML）的解决方案，既能诊断ACS罪犯病变（发病7日内），又能预测未来ACS风险（≥30天），以优化心血管风险分层。既往研究虽开发了ML模型用于ACS诊断或长期风险预测，但尚未实现两者的统一框架，且缺乏基于CCTA的ML模型对远期ACS事件的同步验证。本研究旨在填补这一空白，通过多中心队列构建ML模型，识别ACS罪犯病变并预测其短期进展风险。。

（2）解释：研究采用多中心队列设计（总样本量n=2619），通过回顾性队列（1854例患者）训练并比较五种ML算法（LASSO回归、决策树、随机森林、支持向量机、XGBoost），发现随机森林（RF）模型在识别ACS罪犯病变中性能最优（训练集至测试集AUC=0.85）。该模型整合了17项临床、解剖及血流动力学特征（包括狭窄程度、ΔCT-FFR、斑块成分等），其中狭窄严重性和ΔCT-FFR贡献度最高（图2C）。进一步在前瞻性队列验证中，RF模型成功实现ACS风险分层：队列3（中位随访60个月）和队列4（中位随访28个月）的Kaplan-Meier曲线均显示高风险组ACS发生率显著更高（log-rank P<0.001），且时间依赖性曲线证实其预测效力在2年内最优（AUC：队列3=0.79 vs. 狭窄模型0.67；队列4=0.67 vs. 0.60）。风险重分类分析（NRI>0）进一步突显ML模型整合多模态特征的临床增益价值，为多支病变患者早期干预提供依据。

 2.荷兰一项基于人群的筛查计划中，人工智能作为独立的第二读取器检测临床相关的乳腺癌：一项回顾性队列研究

AI as an independent second reader in detection of clinically relevant breast cancers within a population-based screening programme in the Netherlands: a retrospective cohort study

（1）背景：该研究的背景聚焦于乳腺癌筛查项目在降低死亡率方面的有效性，但其面临多重挑战：包括乳腺X光摄影的敏感性有限、放射科医师资源短缺和专业知识的变异性，以及筛查过程中可能出现的误判。研究旨在模拟AI作为独立阅读器或第二阅读器的场景，以评估其在荷兰人口基础筛查项目中对乳腺癌检测的贡献，并利用长期随访数据（最长52个月）来校正短期研究的偏差。

（2）解释：该研究的解释强调，当AI作为第二阅读器与单一人为阅读器结合时，能显著提高乳腺癌检测率（灵敏度相对增加16.4%，绝对增加8.4%；p<0.0001），相比传统双人阅读，这种组合识别出更多临床相关癌症（包括282例筛查检测癌、29例间隔癌和38例未来乳腺癌），但代价是召回率从2.9%增至5.0%和特异性略降2.0%，因此需要有效的仲裁机制来处理增加的假阳性召回，以避免过度诊断和工作量上升。AI识别的癌症（尤其是那些被人类遗漏的间隔癌和未来乳腺癌）在后续诊断时更具临床意义：它们更常表现为浸润性癌（93.4% vs. 人类筛查检测癌的66.7%）、肿瘤尺寸更大（平均18.5mm vs. 14.3mm；27.9% >20mm vs. 人类筛查检测癌的11.3%）和更高比例的淋巴结阳性（23.0% vs. 16.5%），表明这些肿瘤在进展后更具侵袭性，而AI能在早期阶段识别它们，从而改善预后。

1.人工智能驱动的多模态数据融合用于阿尔茨海默病生物标志物评估

AI-driven fusion of multimodal data for Alzheimer’s disease biomarker assessment

（1）介绍：该文章的主要目的是开发并验证一个基于变压器的机器学习框架，通过融合多模态数据，预测阿尔茨海默病（AD）的生物标志物状态。这一框架旨在解决当前AD诊断中的关键挑战：PET成像虽能提供高精度的生物标志物信息，但成本高昂且可及性有限，阻碍了其在常规临床和临床试验中的广泛应用。文章还强调捕捉Aβ和tau病理之间的协同关系，以支持更精准的疾病分期和患者分层，最终优化针对AD的靶向治疗和临床试验入组效率。

（2）结果：文章的结论显示，该AI驱动框架在预测AD生物标志物方面表现优异：模型在全球Aβ预测中达到AUROC 0.79和平均精度（AP）0.78，在meta-τ预测中AUROC为0.84和AP 0.60，并通过外部验证（如ADNI和HABS数据集）证明了其鲁棒性，即使面对特征缺失高达72%时仍保持高准确性。模型预测与PET测量的生物梯度高度一致（如P(Aβ)与centiloid值Pearson r=0.58, p<0.0001；P(τ)与meta-τ SUVr对数r=0.59, p<0.0001），并成功区分了临床前AD的Aβ状态（cognitively unimpaired组中Aβ PET阴性vs阳性差异显著，U=53044, p=3.36×10^{-12}）。此外，模型衍生的复合AT分数能有效区分疾病阶段（A-T-到A+ NEO+，H=180.73, p=6.15×10^{-39}），并通过SHAP值分析揭示了区域体积变化与tau沉积空间模式的对应性（如内侧颞叶区域重要性最高，AMI=0.219, p=1.40×10^{-3}）。