01.26-02.01 临床预测模型研究顶刊快报

JAMA Network

1、利用眼底影像和屈光数据预测儿童近视进展的深度学习

Deep Learning Prediction of Childhood Myopia Progression Using Fundus Image and Refraction Data

（1）背景：儿童近视已成为全球公共卫生问题，其进展难以预测，而传统方法依赖多维度数据和专家评估，难以在资源有限环境中推广。本研究旨在开发一种仅需眼底影像和基线屈光数据的深度学习模型，以实现对儿童近视进展轨迹和高危风险的早期、高效预测，为大规模筛查和干预提供可能。

（2）结论：本研究构建的深度学习模型在预测儿童近视进展和高危风险方面表现出色，内外部验证中AUC分别达0.941（近视）和0.985（高危近视），年均预测误差仅为0.322D。模型在跨种族验证中保持良好性能，表明其具备较强的泛化能力，尤其适用于资源有限环境中的早期筛查与干预。然而，模型对已近视儿童的长时程预测准确性随年份下降，提示近视进展受多因素影响，未来需进一步优化。

2、深度学习连续CT预测免疫治疗非小细胞肺癌的生存率

Deep-Learning Serial CT Prediction of Survival in Immunotherapy-Treated

Non–Small Cell Lung Cancer

（1）背景：在晚期非小细胞肺癌的免疫治疗中，现有的影像学评估标准如RECIST和肿瘤体积变化在预测长期总生存率方面存在局限性，且受主观因素影响。本研究旨在开发一种基于深度学习的全自动化连续CT影像生物标志物，利用治疗前及12周随访的胸部CT影像，以提升对患者总生存率的早期、准确预测能力，支持临床决策与试验设计。

（2）结论：本研究开发的连续CT反应评分（Serial CTRS）深度学习模型在1830名患者中表现出优异的预测效能，其风险比显著优于RECIST和肿瘤体积变化。在外部验证中，Serial CTRS展示了良好的跨人群适用性，并能有效对RECIST评估为疾病稳定的患者进行生存风险分层。该模型全自动、无需人工标注，具备在临床实践和试验中推广应用潜力，可为免疫治疗患者的早期治疗决策提供更可靠的影像学生物标志物。

THE LANCET

1、癌症和急性冠状动脉综合征患者死亡率、出血和缺血事件的预测：模型开发与验证研究

Prediction of mortality, bleeding, and ischaemic events in patients with cancer and acute coronary syndrome: a model development and validation study

（1）背景：合并癌症与急性冠状动脉综合征的患者预后复杂，传统风险评分未涵盖癌症特异性因素，且缺乏同时预测死亡、出血和缺血事件的标准化工具。针对这一临床需求，本研究旨在基于机器学习方法，利用多国大规模真实世界数据，开发并验证一个能综合预测此类患者多重结局风险的新型预测模型（ONCO-ACS评分）。

（2）结论：本研究成功开发并验证了ONCO-ACS评分模型，该模型基于11个易获得的临床变量，在内部及外部验证中表现出良好的区分度与校准度（如6个月全因死亡率的tAUC为0.84）。模型能同时预测死亡、大出血和缺血事件风险，并在多个国际队列中验证了其稳健性。该评分首次为癌症合并急性冠脉综合征患者提供了全面的风险评估工具，有助于临床医生权衡治疗获益与风险，优化侵入性策略和抗血小板治疗决策。

Nature

1、一种基于蛋白质组范围生物流体数据的自适应、持续学习框架，用于临床决策

An adaptive, continuous-learning framework for clinical decision-making from proteomewide biofluid data

（1）背景：传统蛋白质组学在临床应用中面临数据缺失、固定生物标志物面板和靶向检测开发周期长等限制，难以实现动态、个性化的诊断决策。虽然质谱技术能大规模量化蛋白质，但现有流程依赖静态分类器和数据填补，导致模型泛化能力差、临床适用性受限，迫切需要一种能够直接利用“发现模式”蛋白质组数据进行实时、自适应分类的框架。

（2）结果：ADAPT-MS 提出一种基于动态重训练的自适应框架，能够直接利用单样本蛋白质组数据进行分类诊断，无需数据填补或固定生物标志物面板。该模型在脓毒症血浆和阿尔茨海默病脑脊液数据集中表现出优越的性能与跨中心泛化能力，支持通过回顾性队列匹配实现多诊断任务，为临床蛋白质组学向实时、个性化诊断工具转化提供了可行的技术路径。