193 篇论文
这项研究通过多中心外部验证，证实了基于临床知识筛选特征并采用理想光量子架构的机器学习模型，在预测非小细胞肺癌抗 PD-1 治疗反应方面具有超越或媲美经典模型的潜力，为量子计算在精准肿瘤学中的未来应用奠定了理论基础。
该研究提出了一种基于多种子集成策略和随机森林特征排序的机器学习框架，利用埃塞俄比亚阿西地区人群的饮食、环境及临床等多维风险因素，成功构建了高性能的食管癌分类模型，其中直方图梯度提升模型在精简特征集上实现了 98.3% 的准确率及零假阴性检测，为资源受限地区的早期诊断与风险分层提供了可靠且可解释的决策支持工具。
该研究提出了一种基于交叉注意力机制的多模态深度学习框架，通过有效融合皮肤镜图像与患者临床元数据，在皮肤病变诊断中实现了优于传统融合策略的准确率与校准性能。
本研究通过人工智能辅助的体验式共同设计（AI-EBCD）方法，与 2 型糖尿病患者及正念从业者合作，探索并确定了针对糖尿病痛苦定制的虚拟现实正念应用的设计特征与功能，以期为后续开发原型及开展更广泛研究奠定基础。
本研究基于 LURIC 队列数据，系统比较了传统回归模型与医疗大语言模型（MedLLMs）在心血管疾病及死亡率预测中的表现，发现经优化的 MedLLMs 性能可媲美甚至超越传统方法，且通过 Platt 缩放等校准技术能有效解决其系统性高估风险的问题。
该研究利用俄亥俄州汉密尔顿和富兰克林县的权威数据，评估了地址标签模糊匹配与地理编码匹配在parcel级环境暴露评估中的表现，发现前者准确率达100%而后者表现参差不齐，且地理编码匹配在高密度和贫困社区中更易导致暴露评估的差异化错误分类，从而强调了开发精确、可扩展且标准化的地址链接方法的重要性。
本文提出了 PrivateBoost，一种基于 m-of-n 秘密共享和承诺匿名聚合的联邦梯度提升系统，旨在解决跨设备医疗场景中因单样本数据导致梯度计算困难的问题，在无需客户端间通信且保护隐私的前提下实现了高模型精度与强鲁棒性。
该研究通过系统综述发现，尽管使用相同的 MIMIC-III 和 eICU-CRD 数据集，不同研究在脓毒症病例检测的方法学异质性（如 SOFA 评分计算、时间窗口及感染判定等）导致了检测率的巨大差异，因此呼吁标准化报告检测方法及公开版本控制的源代码以提升研究的可重复性。
该研究开发了一种后处理方法，通过将 AIS 2015 编码数据中的致死性（AIS-CD）与长期后果（pFCI）相结合，并利用基于前三大重伤的聚合策略，实现了对欧盟 RAPEX 系统危害与风险评估（HARM）的更全面量化。
该研究开发了一种本地化部署的隐私保护 AI 管道，通过自动从超声心动图非结构化笔记中提取关键预后变量，显著提升了重症监护室（ICU）患者死亡率的预测精度。
该研究通过对比实验与可解释性分析，证实了胶囊网络（CapsNets）在多种医学图像分类任务中，相较于卷积神经网络（CNN）和视觉 Transformer（ViT），具有更优越的对抗鲁棒性和特征稳定性，表明其是临床应用中更可靠的模型选择。
该研究利用英国生物样本库数据表明，相较于传统的强度测量法，基于相位的量化方法能更准确地揭示嵌合性 Y 染色体丢失（mLOY）随年龄的积累动态，识别出更低的风险阈值，并显著扩大了受影响人群的比例，从而证明测量策略的选择会实质性改变对 mLOY 生物学风险及流行率的推断。
该研究提出并验证了分片、隔离、切片与聚合（SISA）训练框架，证明其在满足 GDPR 删除权要求时，能以极低的精度损失显著降低抗菌耐药性预测模型的重训练成本与时间。
该研究表明，在利用大语言模型（GPT-5）对肿瘤临床试验入排标准进行分类时，使用全文作为输入相比仅使用摘要能显著提升分类准确性，因为全文中蕴含的额外有效信息超过了其带来的噪声干扰。
本文提出了一种基于大语言模型的框架，通过自动化将多源 CDISC SDTM 临床试验数据标准化为跨研究可互操作的格式，并结合自然语言查询代理，显著降低了临床探索性研究中的数据整合与二次分析门槛。
该研究证实，仅利用调查变量描述，指令微调的大语言模型（如 Qwen 2.5）能够有效识别青少年电子烟使用的关键预测因子，其筛选出的特征在构建预测模型时表现优于或等同于使用全部变量的基线模型，为隐私保护的公共卫生研究提供了可扩展的新框架。
该研究利用“全人类”计划的多模态临床与遗传数据，构建并验证了一个可解释的生存分析框架，通过整合人口学、实验室指标、社会经济因素及遗传变异等特征，显著提升了慢性丙型肝炎患者发生肝硬化、肝细胞癌及死亡风险的个体化分层能力。
该研究利用美国国家 COVID 队列协作（N3C）的 26 万余例住院患者数据，通过多种机器学习模型分析发现，尽管常规结构化电子病历特征对预测住院死亡率具有中等区分度，但难以有效预测住院时长，且过采样技术（SMOTE）在提升召回率的同时会牺牲模型的区分度与校准性，提示临床机器学习研究需综合报告阈值相关指标以优化风险分层。
该研究通过评估多种大语言模型策略，证明了结合微调临床模型与提示工程可从电子病历中高效、精准地提取自身免疫性风湿病患者的大麻使用状态及原因，从而为相关观察性研究和临床决策支持提供可扩展的解决方案。
这项研究评估了一种结合同步远程医疗与异步移动应用（mindLAMP）的混合护理模式（Digital Clinic），结果显示该模式能显著降低围产期女性的抑郁和焦虑症状，证明了其在提供可及且有效的循证母婴心理健康护理方面的潜力。