08.03-08.09 临床预测模型研究顶刊快报

1、利用胸部X光进行慢性肾病机会性筛查的深度学习模型：美国多中心验证研究  08.04  eClinicalMedicine

1、MRICombo：基于深度学习的框架，用于跨异构MRI进行通用体积分割分级分期和恶性肿瘤检测  08.08  nature communications

1、利用胸部X光进行慢性肾病机会性筛查的深度学习模型：美国多中心验证研究

A deep learning model for opportunistic screening of chronic kidney disease using chest radiographs: a multicentre validation study in the USA

（1）背景：慢性肾病（CKD）影响全球8.43亿人，但诊断仍然不足。当前的风险分层，包括CKD预后联盟（CKD-PC）评分，依赖于很少在肾脏病学环境外评估的实验室数据。胸部X光（CXR）是全球最常进行的影像检查之一，提供了机会性筛查途径。开发并进行了外部验证，这是一种基于CXR衍生的人工智能评分，用于在无实验室数据的情况下预测五年内CKD发病。

（2）结论：CXR-CKD5模型在开发阶段表现良好（C指数约0.774），但在外部验证时C指数有所下降（约0.713），其中影像-临床联合模型表现最优（C指数0.734）；模型在非糖尿病患者中效果显著优于糖尿病患者（外部验证C指数分别为0.714 vs 0.607），同时外部验证显示绝对风险被高估，部署前需进行校准。

1、MRICombo：基于深度学习的框架，用于跨异构MRI进行通用体积分割、分级、分期和恶性肿瘤检测

MRICombo: a deep-learning-based framework for universal volumetric segmentation grading-staging and malignancy detection across heterogeneous MRI

（1）背景：MRI在肿瘤诊疗中应用广泛，但现有深度学习模型多为单任务、单序列设计，难以应对临床中序列缺失、多器官多病种并存的复杂场景。临床亟需一个能同时完成分割、分级、分期和恶性检测的统一框架，并具备跨序列、跨解剖部位的泛化能力，以降低部署成本并适配真实世界数据的异质性。

（2）结论：MRICombo基于多专家架构和提示路由机制，在25类解剖目标及5种分类任务上达SOTA性能，并能在序列缺失时保持高精度。外部验证和迁移学习证实其良好泛化性，且单模型多任务设计显著降低计算资源需求，为MRI一站式智能分析提供了可行方案。