06.01-06.07 临床预测模型研究顶刊快报

1、基于miRNA的高级别浆液性卵巢癌预后模型的开发与验证：一项回顾性队列研究  06.05  THE LANCET Regional Health

2、基于H&E的脑膜瘤分子分类与结局预测深度学习：回顾性队列研究  06.05  THE LANCET Digital Health

3、开发、验证及以用户为中心的可解释机器学习决策支持工具，用于轻度出血性疾病术前预测（MBD-Check）：一项前瞻性诊断预测研究  06.04  THE LANCET Digital Health

4、通过骨髓增生性肿瘤中全血细胞计数预测骨髓纤维化（FIBOM-AI）：一项多中心机器学习模型开发与验证研究  06  THE LANCET Haematology

1、脑神经标志物预测成人、临床和发育样本中的自我及他人相关心理化  06.06  nature communications

1、基于miRNA的高级别浆液性卵巢癌预后模型的开发与验证：一项回顾性队列研究

Development and validation of a miRNA-based prognostic model for high-grade serous ovarian cancer: a retrospective cohort study

（1）背景：高级别浆液性卵巢癌（HGSOC）是致死率最高的妇科恶性肿瘤，常因晚期诊断和缺乏精准预后标志物而导致预后不佳。现有临床指标如CA125预测能力有限。miRNA因稳定性好、参与肿瘤关键通路，成为有潜力的液体活检标志物。本研究旨在利用机器学习开发并验证一个基于miRNA的HGSOC预后模型。

（2）结论：研究成功构建并验证了一个包含9个miRNA及临床变量（年龄、MUC16）的预后模型（TabPFN），在测试集中AUC达0.762。尽管在外部RT-qPCR验证队列中分类性能有所下降，但连续风险评分仍独立与总生存期显著相关（HR=2.62），支持其在临床实践中用于HGSOC患者风险分层。

2、基于H&E的脑膜瘤分子分类与结局预测深度学习：一项回顾性队列研究

Deep learning for H&E-based meningioma molecular classification and outcome prediction: a retrospective cohort study

（1）背景：脑膜瘤是常见中枢神经系统肿瘤，其生物学行为与临床结局异质性大，传统WHO分级难以精准指导治疗。分子分型（如MG1-4）及染色体变异（1p/22q缺失、1q扩增）可改善预后预测，但依赖DNA甲基化等昂贵技术，可及性差。因此，亟需开发基于常规H&E染色的深度学习模型，实现分子信息预测。

（2）结论：本研究成功构建并验证了基于H&E的深度学习模型，可高效预测脑膜瘤的分子分型（平衡准确率87%-97%）、关键染色体拷贝数变异及复发风险分组。该模型在外部独立队列中验证有效，且预后价值独立于WHO分级与切除程度（HR=3.49）。这一方法有望在全球范围内普及分子分型指导下的个体化治疗。

3、开发、验证及以用户为中心的可解释机器学习决策支持工具，用于轻度出血性疾病术前预测（MBD-Check）：一项前瞻性诊断预测研究

Development, validation, and user-centric evaluation of an interpretable machine learning decision support tool for the preoperative prediction of mild bleeding disorders (MBD-Check): a prospective diagnostic prediction study

（1）背景：轻度出血性疾病是最常见的遗传性出血病，可导致围术期出血风险增高。目前术前筛查工具（如ISTH-BAT）复杂或准确性不足，常规凝血指标预测价值有限。因此，亟需开发一种简便、可解释、高准确率的术前预测工具，以优化转诊决策，减少不必要的血液学检查。

（2）结论：本研究开发并外部验证了MBD-Check工具——一个基于支持向量机的可解释机器学习模型，结合aPTT、血小板功能分析、性别及简化出血史，预测轻度出血性疾病。外部验证中AUC达0.85，敏感性90.2%。该工具以网页应用形式实现，完成中位时间72秒，系统可用性量表评分82.5（优良），具有良好的临床可用性。

4、通过骨髓增生性肿瘤中全血细胞计数预测骨髓纤维化（FIBOM-AI）：一项多中心机器学习模型开发与验证研究

Prediction of bone marrow fibrosis from complete blood count in myeloproliferative neoplasms (FIBOM-AI): a multicentre machine learning model development and validation study

（1）背景：骨髓活检对于骨髓增生性肿瘤的诊断至关重要，尤其是在评估骨髓纤维化方面。然而，这是一种侵入性手术，对部分患者来说可能较难实施。本研究旨在开发一种人工智能（AI）模型（FIBOM-AI），利用全血细胞计数（CBC）数据和年龄预测2至3级纤维化。

（2）极端梯度增强模型表现最佳，训练、测试和验证集曲线下面积分别为0.96（95% CI 0.95–0.97）、0.90（0.85–0.95）和0.92（0.90–0.95）。总体预测的最终准确率分别为88.1%、87.0%和88.6%，训练、测试和验证数据集的信心预测分别为99.5%、94.5%和96.9%。前瞻性评估显示总体预测准确率为85.2%（82.0–87.3），信心预测准确率为98.6%（96.0–100.0）。

1、脑神经标志物预测成人、临床和发育样本中的自我及他人相关心理化

Brain neuromarkers predict self- and other-related mentalizing across adult, clinical, and developmental samples

（1）背景：心理化（mentalizing）——即对自我和他人心理状态进行反思的能力——是社会认知的核心，其异常是多种精神与神经发育障碍的重要特征。然而，目前仍缺乏可重复、易推广的脑指标来量化这一过程。本研究旨在利用fMRI与可解释机器学习，开发能预测自我心理化、他人心理化及二者区分的脑签名。

（2）结论：本研究基于11个独立队列（n=390）训练并验证了四个心理化脑签名，其中自我与他人分类器在外部样本中准确率分别达82%和77%，整体心理化签名准确率达98%。这些签名在健康成人、青少年及精神分裂症患者中均有效，且区分能力随年龄增长而增强，在精神分裂症患者中显著减弱，展现了作为跨人群、跨任务心理化神经标志物的潜力。