11.10-11.16 临床预测模型研究顶刊快报

1.在美国，一项多中心研究开发并验证了一种机器学习模型，旨在减少循环死亡后肝移植捐献中的无效获取  11.13  The Lancet Digital Health

2.一种基于非侵入性磁共振成像的多模态融合深度学习模型（MF-DLM）预测膀胱癌患者总生存期：一项多中心回顾性研究  11.13  eClinicalMedicine

3.开发和验证基于多模态 MRI 的深度学习框架，用于区分脊髓内肿瘤 (ISMF-Net)  11.13  eClinicalMedicine

4.利用机器学习增强的气体传感器技术，通过血浆挥发性有机化合物模式识别各个阶段的卵巢癌和子宫内膜癌  11.13  eClinicalMedicine

5.ALSFRS-R 的动态建模：利用神经网络从基于人群的评分中获益  11.15  eClinicalMedicine

1.在美国，一项多中心研究开发并验证了一种机器学习模型，旨在减少循环死亡肝移植捐献中的无效获取

Development and validation of a machine-learning model to reduce futile procurements in donations after circulatory death in liver transplantation in the USA: a multicentre study

（1）背景：为了缓解日益严重的器官短缺问题，美国循环死亡捐献（DCD）肝移植的数量显著增加，但随之而来的“无效获取”率却居高不下。然而，现有的预测工具（如DCD-N评分和科罗拉多计算器）已十余年未更新且缺乏大规模验证，临床实践仍主要依赖外科医生的主观判断，其准确性和一致性均存在明显局限。

（2）解释：本研究利用美国六家多中心2221名捐献者的数据，开发并验证了一种基于LightGBM算法的机器学习模型，旨在精准预测捐献者撤管后的死亡进程 。结果显示，该模型在预测撤管后30、45及60分钟内死亡的准确性（AUC）显著优于现有评分工具及外科医生的判断 。与人工决策相比，该模型能将无效获取率降低约60%，且在处理缺失数据和适应不同中心标准方面表现出极高的稳定性与灵活性。

2.一种基于非侵入性磁共振成像的多模态融合深度学习模型（MF-DLM）预测膀胱癌患者总生存期：一项多中心回顾性研究

A non-invasive MRI-based multimodal fusion deep learning model (MF-DLM) for predicting overall survival in bladder cancer: a multicentre retrospective study

（1）背景：膀胱癌（BCa）的准确预后评估对于制定个性化治疗方案至关重要，但目前临床主要依赖的TNM分期系统因无法充分反映肿瘤内部的异质性，导致同一分期患者的预后往往存在显著差异。尽管MRI影像组学和深度学习在肿瘤评估中展现出潜力，但既往研究多局限于单一模态建模，忽视了深度学习特征、影像组学特征、形态学特征及临床变量之间复杂的交互作用。为此，本研究利用大规模多中心回顾性队列，旨在开发一种基于MRI的多模态融合深度学习模型（MF-DLM），通过交叉注意力机制整合上述多维数据，以实现对BCa患者总生存期（OS）的非侵入性精准预测。

（2）解释：研究表明，MF-DLM在预测BCa患者总生存期方面表现优异，其准确性显著优于传统的病理T分期及单一模态模型，并能提供额外的预后分层信息 。该模型在指导临床决策方面具有重要价值：它能识别出从围手术期治疗中获益的群体，例如被归为低风险的pT3/4期患者能从辅助治疗中显著获益，而高风险患者则未能获益；同样，低风险患者在新辅助治疗中即使未达到病理完全缓解也能获得生存益处 。此外，模型的高风险评分与淋巴管侵犯、低肿瘤-间质比等侵袭性病理特征高度相关，证实了MF-DLM不仅是可靠的预后工具，还能在细胞分子水平上反映肿瘤的生物学行为。

3.开发和验证基于多模态 MRI 的深度学习框架，用于区分脊髓内肿瘤 (ISMF-Net)

Development and validation of a multi-modal MRI-based deep learning framework for differentiation of intraspinal tumors (ISMF-Net)

（1）背景：椎管内肿瘤（ISTs）因其解剖位置复杂且影像学特征重叠，给临床诊断带来了巨大挑战，而目前的诊断标准主要依赖于具有侵入性风险的组织病理学活检，虽然磁共振成像（MRI）作为主要的非侵入性工具提供了多序列的软组织信息（如T1W、T2W和T2-FS），但单一序列往往难以全面捕捉病变的复杂特征，导致误诊风险较高。为了突破这些局限，本研究旨在开发并验证一种名为ISMF-Net的新型多模态深度学习框架，该框架创新性地整合了矢状面和轴面MRI影像及患者临床数据，旨在实现对五种主要椎管内肿瘤（神经鞘瘤、脑膜瘤、星形细胞瘤、室管膜瘤和转移瘤）的精确五分类鉴别诊断。

（2）解释：本研究提出的ISMF-Net模型通过引入动态蛇形卷积（DSConv）及多阶段特征融合模块（包括序列级和平面级融合），成功地从多模态MRI中提取并整合了互补的诊断信息，在内部和外部测试集中均展现了超越现有方法的稳健性能，其在外部测试集上的微平均准确率达到0.821，尤其在神经鞘瘤和脑膜瘤的诊断上表现卓越 。观察者研究表明，该模型的辅助能够显著提升各级放射科医生的诊断效能，特别是初级医生在准确率和敏感性上分别提升了7.9%和20.1%，且模型生成的注意力热图（Heatmap）与医生的诊断关注区域高度一致，验证了其可解释性和临床相关性。

4.利用机器学习增强的气体传感器技术，通过血浆挥发性有机化合物模式识别各个阶段的卵巢癌和子宫内膜癌

Machine learning-enhanced gas sensor technology identifies ovarian and endometrial cancer of all stages through plasma volatile organic compound patterns

（1） 背景：卵巢癌通常因症状非特异性而在晚期才被确诊，导致患者存活率低，且目前的诊断工具（如CA125检测和经阴道超声）在早期检测中缺乏足够的敏感性或特异性，无法满足临床快速、低成本筛查的需求。因此，本研究旨在利用这种先进的气体传感器技术结合机器学习算法，通过分析术前血浆样本中的VOCs模式，开发一种非侵入性的诊断工具，以区分健康人群与卵巢癌或子宫内膜癌患者，并进一步区分癌症类型及分期。

（2） 解释：该研究通过分析血浆释放的挥发性有机化合物（VOCs），证明了结合机器学习的电子鼻技术在妇科癌症诊断中具有极高的灵敏度和特异性 。研究利用32个传感器对血浆样本进行检测，并通过集成机器学习模型（Boosting ensemble）和多数投票算法处理数据，结果显示该方法在样本层面上能100%正确识别所有卵巢癌（包括交界性肿瘤）和子宫内膜癌患者，同时准确排除所有健康对照组，无一误诊 。此外，该级联算法不仅能准确区分卵巢癌与子宫内膜癌，还能高效地进行癌症分期，其中区分I期与II-IV期癌症的准确率极高（卵巢癌分期准确率约为98%，子宫内膜癌为100%），这一表现优于目前的临床生物标志物。

5.ALSFRS-R 的动态建模：利用神经网络从基于人群的评分中获益

Dynamic modelling of the ALSFRS-R: leveraging population-based scores using neural networks

（1）背景：肌萎缩侧索硬化症（ALS）是一种进展迅速且异质性极高的神经退行性疾病，目前临床试验和疾病监测主要依赖修订版ALS功能评定量表（ALSFRS-R）作为核心评估工具 。然而，由于ALS患者的疾病进展轨迹差异巨大（如非线性下降或平台期），且真实世界中的评分数据往往稀疏且采集时间间隔不规则，传统的线性统计模型难以准确捕捉这些复杂的疾病模式 。为了解决这一难题，本研究利用了目前最大的基于人群的泛欧洲纵向数据集（PRECISION-ALS），旨在开发一种全连接神经网络（FCNN）模型 。该研究试图通过机器学习方法，从有限的历史数据点中学习复杂的时间依赖性，从而为个体患者提供精准的短期病情轨迹预测，填补真实世界数据分析与临床决策支持之间的空白。

（2）解释：本研究结果表明，基于神经网络的短周期预测模型能够有效克服数据稀疏和不规则的限制，为ALS患者提供具有临床解释力的个体化预测 。模型在PRECISION-ALS测试集上的平均绝对误差（MAE）仅为2.65分，且在外部数据集PROACT上表现出优异的泛化能力（MAE为2.33分），其准确性显著优于传统的线性外推法 。重要的是，该模型的预测性能在不同性别、基因型、起病部位及疾病阶段等临床变量中保持高度稳定，并未受到常见人口统计学特征的干扰 。在临床应用层面，该工具提供了一个基于自然病史的客观基准：通过对比患者实际评分与模型预测值的偏差，医生和数据监测委员会可以快速识别出病情进展异常（如超预期的快速恶化或稳定）的个体 。