08.31-09.06 临床预测模型研究顶刊快报

1、基于自然语言处理的模型预测接受化疗的局部晚期非小细胞肺癌患者的放射性肺炎：回顾性队列研究 09.04  eClinicalMedicine Part of THE LANCET Discovery Science

2、开发并外部验证基于心电图的心血管疾病及结局预测对比学习基础模型  09.01  THE LANCET Digital Health

1、用于预测精神分裂症遗传风险的端到端深度学习方法 09.02  nature communications

1、基于自然语言处理的模型预测接受化疗的局部晚期非小细胞肺癌患者的放射性肺炎：回顾性队列研究

Natural language processing-based model to predict radiation pneumonitis in patients with locally advanced non-small cell lung cancer undergoing chemoradiotherapy: a retrospective cohort study

（1）背景：放疗联合化疗是局部晚期非小细胞肺癌的标准治疗，但放射性肺炎发生率高（15–40%），严重影响疗效与后续免疫治疗。现有预测模型多依赖静态的临床或剂量学参数，缺乏动态、实时的风险评估能力。本研究利用自然语言处理技术从电子病历中提取患者治疗前后的纵向症状信息，结合机器学习方法，旨在构建更早期、更精准的放射性肺炎预测模型，弥补传统工具的不足。

（2）结论：本研究表明，基于自然语言处理提取的纵向症状特征（如咳嗽、气短、喘息）能显著提升放射性肺炎的预测性能，最佳模型AUC达0.759，优于单纯剂量或临床模型。该方法利用现有电子病历数据，具备实时、可扩展的临床部署潜力。尽管目前仍需外部验证和前瞻性研究，但该框架为早期识别高风险患者、实现个体化毒性管理提供了新途径，并有望整合至临床决策支持系统。

2、开发并外部验证基于心电图的心血管疾病及结局预测对比学习基础模型

Development and external validation of a contrastive learning foundation model for ECG-based prediction of cardiovascular diseases and outcomes

（1）背景：心血管疾病负担沉重，心电图是常用筛查工具，但传统人工智能模型依赖特定任务标签，泛化能力有限。现有心电图基础模型多仅基于信号本身预训练，未充分利用临床报告中的语义信息。本研究开发了ECG-CLIP，采用两阶段预训练（掩码重建+对比学习），将心电图信号与医师解读报告对齐，旨在提升模型在多种心血管疾病检测、结局预测及标签稀缺场景下的泛化性和实用性。

（2）结论：ECG-CLIP在急性心梗、心肌病检测、房颤预测及术后死亡、慢性肾病/糖尿病等远期结局预测中均优于传统监督模型和仅信号基础模型，且仅需不到10%的标注数据即可达到同等性能。单导联场景下仍保持较高准确性，具有良好数据效率和跨数据集泛化性。该模型为低成本、可扩展的心电图辅助决策提供了新路径，但需前瞻性多中心验证。

1、用于预测精神分裂症遗传风险的端到端深度学习方法

End-to-end deep learning methods for genetic risk prediction of schizophrenia

(1)背景：精神分裂症遗传力高（约60–80%），但现有临床预测模型多基于线性假设（如多基因风险评分），难以捕获基因间非线性互作（上位效应）。全外显子测序数据维度极高而样本有限，传统方法面临“维度诅咒”。本研究提出端到端基因组解读神经网络，直接映射原始变异数据至表型，旨在通过非线性建模提升遗传风险预测能力，并借助可解释AI挖掘潜在致病基因与通路。

(2)结论：基于瑞典队列（12,380例WES）的实验表明，非线性神经网络（尤以基因中心编码+小型稠密隐层的NN_smalldense）显著优于线性基线模型，AUC提升约0.05–0.10，验证了上位效应对精神分裂症遗传风险的重要贡献。可解释分析复现了已知风险基因（如YJEFN3、RAI1），并提示BASPI等新候选基因。模型性能受样本量制约，增大样本后非线性优势更明显，但需外部验证。该方法为复杂疾病遗传风险的非线性建模提供了可行框架。