01.19-01.25 临床预测模型研究顶刊快报

1、基于深度学习的早产儿视网膜图像心肺疾病预测  01.22  JAMA Ophthalmology

1、循环中鞘脂与类固醇水平的比例预测哮喘加重  01.19  nature communications

2、大规模血清N-糖组学追踪肝细胞癌进展中的N-糖基化动态，并实现早期诊断  01.20   nature communications

1、基于深度学习的早产儿视网膜图像心肺疾病预测

Deep Learning–Based Prediction of Cardiopulmonary Disease in Retinal Images of Premature Infants

（1）背景：确定早产儿视网膜病变（ROP）筛查中获得的图像是否可能包含与婴儿支气管肺发育不良（BPD）和肺动脉高压（PH）相关的特征，以及将影像特征与人口学风险因素整合的多模态模型是否可能优于仅基于人口学风险的模型。

（2）结论：本次分析共纳入493名婴儿。对于BPD，多模态模型的准确率（AUC，0.82;95% CI，0.72-0.90）高于单人口统计学模型（0.72;∆AUC，0.1;95% CI，−0.008至0.21;P = 0.07）或仅影像学（0.72;∆AUC，0.1;95% CI，0.04-0.16;P = 0.002）模型。PH多模态AUC为0.91，仅人口统计学AUC为0.68（∆AUC 0.14;95% CI 0.006-0.27;P = 0.04），仅影像时0.91（∆AUC，−0.09;95% CI，−0.3至0.12;P = 0.40）模型。在训练无临床ROP符号的图像时，结果依然存在。

1、循环中鞘脂与类固醇水平的比例预测哮喘加重

The ratio of circulatory levels of sphingolipids to steroids predicts asthma exacerbations

（1）背景：哮喘急性加重是重要的临床负担，但当前缺乏有效的生物标志物来识别高风险个体。代谢组学研究虽已发现哮喘相关的代谢通路（如鞘脂、类固醇和微生物代谢物），但现有研究存在样本量小、验证不足等问题，且尚未将代谢组学成果转化为可用于临床的预测模型。因此，本研究旨在通过大规模队列数据，开发并验证一种能够预测哮喘急性加重风险的实用模型。

（2）结果：本研究开发并验证了一种基于21种鞘脂与类固醇比值的5年哮喘急性加重预测模型，其在发现队列和验证队列中的AUC分别达到0.90和0.89，显著优于现有临床指标（如肺功能、嗜酸性粒细胞计数等）。该模型通过代谢物比值反映代谢通路间的失衡，具有较高的预测准确性和临床转化潜力，为哮喘精准风险分层和干预提供了新工具。

2、大规模血清N-糖组学追踪肝细胞癌进展中的N-糖基化动态，并实现早期诊断

Large-scale serum N-glycomics tracks Nglycosylation dynamics in hepatocellular carcinoma progression and enables early diagnosis

（1）背景：肝细胞癌（HCC）是全球致死率最高的恶性肿瘤之一，现有诊断标志物如甲胎蛋白（AFP）敏感性有限，亟需开发非侵入性、高灵敏度的早期诊断方法。血清N-糖组学通过分析糖基化修饰动态，已被证明在肝病进展中具有重要生物标志物潜力，但以往研究存在样本量小、验证不足等局限，难以实现临床转化。

（2）结果：本研究基于大规模多中心队列（1,074人）的血清N-糖组学分析，开发了机器学习预测模型，利用糖基化特征（如分支度、岩藻糖基化升高、半乳糖基化降低等）显著提升了HCC的早期诊断性能。模型在区分HCC与健康对照、慢性肝炎及肝硬化时AUC达0.84–0.93，优于AFP，并在两个外部验证队列中表现稳健，为HCC的非侵入性早期筛查提供了高精度、可临床转化的预测工具。