本研究针对罕见的胰腺神经内分泌肿瘤（pNETs），建立了一个包含469位患者的对比增强CT图像数据集，并引入新的切片加权损失函数，以提升肿瘤分割性能，从而改善pNET的诊断和患者预后。

本研究探讨了缺氧缺血性脑病（HIE）对新生儿的影响及预后挑战，并推出了波士顿新生儿脑损伤数据集第二版（BONBID-HIE），该数据集涵盖237名患者的NICU和2年神经认知结果，为HIE的理解与治疗提供了重要数据支持。

本研究评估了人工智能在影像学诊断和预后软组织及骨肿瘤中的应用。研究发现现有的影像-AI工具仍处于概念验证阶段，需要在设计、开发、评估和数据可重复性等方面进行改进。

本研究解决了颅内出血（ICH）预后中影像与表格数据复杂互动的挑战。通过学习与预后相关的临床和人口统计变量共享的特征表示，本文提出了一种3D多任务影像模型，显著提高了预后预测的准确性和可解释性。研究表明，该方法在ICH预后上优于现有的最先进影像模型，甚至超过了四位经过认证的神经放射科医师的表现。

本研究探讨了大型语言模型（如GPT-4）在肺癌和乳腺癌早期检测及风险分层中的应用。研究表明，AI技术显著提高了预测准确性，帮助临床医生制定个性化治疗方案。此外，CancerLLM模型在癌症相关任务中表现优异，展示了其在临床AI系统中的潜力。

该研究开发了一种可解释的机器学习模型，旨在帮助临床专业人员预测住院死亡，尤其是脓毒症相关死亡。通过比较随机森林模型与其他模型，发现随机森林在预测效果上最佳。研究强调了机器学习在医疗中的重要性，并介绍了结合临床数据和医学影像的多模态框架AutoPrognosis-M，以推动医疗创新。

本研究利用深度状态空间分析框架，通过电子健康记录的时间序列学习，识别和可视化癌症患者的潜在状态，发现与预后相关的状态变化。这一方法提升了对疾病进展的理解，有助于治疗调整和预后决策。

本研究探讨了机器学习在感染性休克早期预测中的应用，利用纽约布朗克斯Montefiore医疗中心的临床数据，开发了高效的诊断模型。研究表明，基于深度学习的系统能够在感染发生前三小时预测感染风险，从而提升临床决策的准确性和效率。

我们利用机器学习技术解决急性感染和败血症的诊断和预后需求，通过测量患者血液中的信使RNA丰度作为特征，并通过分类器将其转化为检测报告。该系统已获得FDA认定。其他研究也使用机器学习来预测感染性休克、区分病毒和细菌感染、检测败血症等。

本文介绍了基于深度学习和自监督学习的眼科疾病预测与检测方法，包括青光眼、糖尿病视网膜病变和阿尔茨海默病。研究表明，采用变压器架构的模型和创新训练框架显著提高了疾病预测的准确性，实验结果AUC值高达98.6%。这些方法为眼科疾病的早期诊断和个性化治疗提供了新可能性。

G-HANet 是一种新颖的基于基因组知识提炼的超级关注网络，通过对 WSI 图像进行基因组数据重构，实现了来自组织病理学和基因组学角度的病人超级关注建模，以改善癌症预后。

通过预处理技术和机器学习算法，研究发现对不平衡的临床数据集进行预处理可以提高预测心力衰竭患者死亡率的性能。相比树模型，尤其是随机森林和XGBoost，在F1评分和MCC上平均提高了约3.6%和2.7%。该研究有望改善心力衰竭管理中的患者预后。

研究人员整合病理图像、遗传数据和临床数据，构建了一种新的深度学习方法，用于预测乳腺癌患者的预后。实验结果显示该方法具有高准确性，可为个体化治疗策略提供便利。

HyperAI超神经官网上线了数千小时的中文语音数据库，包括多个数据集和论文案例。乳腺癌预后评分系统MIRS和SBeA是其中的亮点成果。HyperAI超神经是国内领先的人工智能及高性能计算社区，为开发者提供丰富的公共资源。

根据世界卫生组织国际癌症研究机构的数据，2020年全球乳腺癌新发病例数达到226万，超过肺癌成为全球第一大癌症。研究人员开发了一个精准的预后评分系统，用于乳腺癌转移和免疫基因组风险评估。人工智能在乳腺癌诊疗中的应用有望降低发病率和死亡率。

综述了采用基于生物医学知识的机器学习方法在癌症诊断和预后方面的研究现状和发展方向。

机器学习在医疗人工智能系统中的应用正向深度学习模型转变。多模态数据集成面临表示、融合、对齐、翻译和协同学习等五大挑战，近期的方法正在解决这些挑战。未来应进一步研究临床模型及其在临床环境中的转化方向。

黑色素瘤是最严重的皮肤癌症之一，研究发现现有的皮损图像诊断模型对黑人肌肤普适性差，需要包括黑人皮损数据集以改善诊断准确性。

该论文介绍了一种新的深度学习算法 GCS-ICHNet，通过融合多模态脑 CT 图像数据和格拉斯哥昏迷分级评分（GCS），改进了脑出血的预后，该算法表现出较高的敏感性和特异性，优于平均临床医生和其他最先进的方法。