radiology and imaging 篇论文

医学影像与放射学是洞察人体内部的“透视眼”，利用 X 光、CT 或磁共振等技术，让医生无需开刀就能看清骨骼、器官乃至细微病变。这一领域不仅关乎疾病的早期发现，更直接指导着精准治疗方案的制定，是连接临床诊断与科学突破的关键桥梁。

在 Gist.Science 上，我们直接从 medRxiv 获取该领域最新的预印本论文，确保您能第一时间接触到前沿研究。我们的团队会对每一篇新论文进行处理，提供通俗易懂的科普解读以及详尽的技术总结，帮助您跨越专业术语的障碍，轻松理解最新的影像诊断进展。

以下为您整理的该类别下最新发布的论文列表，欢迎查阅。

这项针对 417 名参与者的纵向研究发现，尽管急性轻度脑损伤（mTBI）患者表现出临床症状，但利用先进的 MAP-MRI 技术并未检测到其脑组织微观结构存在显著的可测量改变，表明此类损伤可能尚未严重到足以通过扩散 MRI 被探测到的程度。

该研究通过回顾性分析 2300 张儿科胸部 X 光片，证实了采用软投票集成策略的多模态大语言模型（MedGemma）在儿科肺炎检测中显著优于单一模型，能够以高特异性提供隐私保护且可解释的实时临床决策支持。

该研究开发并验证了一种名为 MoEMIL 的多任务深度学习模型，通过整合鼻咽癌患者的 pretreatment MRI 和全切片病理图像，实现了对诱导化疗反应和总生存期的精准预测，其性能显著优于传统的 TNM 分期及单一模态模型，为临床个性化治疗决策提供了有力支持。

该研究提出了一种基于自监督视频扩散编码器的数据高效深度学习框架，利用少量前瞻性队列的 B 型超声视频成功检测了上斜方肌肌筋膜疼痛综合征，证明了该方法在小样本临床研究中验证新型超声生物标志物假设的可行性。

该研究提出了一种名为“谱规范建模”（SNM）的新方法，利用脑特征模态克服了传统规范模型在空间分辨率和灵活性上的局限，基于超过 7.8 万份健康脑扫描数据构建了全生命周期的高分辨率皮层厚度生长图谱，并成功应用于揭示阿尔茨海默病中个体化的神经退行性变模式。

该研究利用 UK Biobank 的 MRI 数据，通过结合体积、脂肪分数与 3D 网格形状分析，揭示了臀大肌形态的局部重塑与代谢功能障碍（特别是 2 型糖尿病）之间存在显著的性别特异性关联，表明这种空间分辨的表型分析能提供超越传统全局指标的更精准风险分层和机制洞察。

本文提出并评估了一种基于 DenseNet121 和 Grad-CAM 的可部署深度学习系统，该系统利用公开胸部 X 光数据集训练，能够在离线桌面和移动平台上准确、可解释地检测结核病，为资源受限地区提供了有效的辅助筛查工具。

本研究利用 2024 至 2025 年 FDA 公开的 510(k) 摘要数据，揭示了放射科 AI 设备在低患病率场景下面临的假阳性悖论，指出单纯依赖敏感度和特异度无法反映真实的阳性预测值，并主张通过披露误报率和漏报率等指标，帮助临床医生在伦理、经济和临床层面更合理地选择 AI 系统。

该研究利用“跨扫描仪头部”数据集评估了五种脑 MRI 基础模型嵌入的跨设备可靠性，发现生物学引导的预训练策略（如整合年龄或形态学元数据）能显著提升嵌入的跨扫描仪鲁棒性，使其表现媲美甚至超越传统 FreeSurfer 方法，而纯自监督模型则因受扫描仪身份影响较大而可靠性较差。

该研究对南非东开普省一家三级医院 543 例儿科 CT 扫描的辐射剂量与适应证进行了为期三年的审计，结果显示其辐射水平符合国际安全标准，但发现夜间扫描的剂量略高，因此建议通过加强培训和标准化设置来消除这一差异。