树型机器学习因其高可解释性在医疗诊断中备受重视，但面临算力消耗大、对硬件缺陷敏感等瓶颈。一项新研究利用MoS2闪存的物理特性，开发了软决策树模型，在保持诊断准确率超96%的同时，大幅提升了硬件效率和系统鲁棒性。 Original paper: Trustworthy tree-based machine learning by MoS2 flash-based analog content-addressable memory with inherent soft boundaries. — Nature communications. 10.1038/s41467-026-72118-z 📄 阅读文章

猎廷顿舞蹈病的舞蹈症症状以往主要依靠医生的主观临床评估。一项新研究利用智能手表数据，开发了数字被动监测舞蹈症评分（DPCS），为这一神经退行性疾病的客观监测提供了新途径。 Original paper: Longitudinal assessment of chorea in Huntington’s disease using digital passive monitoring. — NPJ digital medicine. 10.1038/s41746-026-02661-y 📄 阅读文章

一项涉及31家医院、超66000例心脏手术患者的大规模研究表明，多中心协作的AI模型显著优于单中心模型用于预测术后急性肾损伤（AKI）。令人惊讶的是，即使是病例量最多的医院，其单独训练的模型也不如多中心模型表现优异，而病例最少的医院通过数据共享或联邦学习，性能反而能达到0.80以上。 Original paper: Exploring the limits of localization: federated model stacking improves hospital-level prediction in a national research network. — NPJ digital medicine. 10.1038/s41746-026-02634-1 📄 阅读文章

一项涉及101名放射科医生的随机对照试验表明，不同格式的人工智能解释对医生的诊断准确率影响显著。其中思维链条式解释（chain-of-thought）不仅能最有效地提升诊断准确性，还能帮助医生更明智地判断何时信任AI建议、何时坚持自己的判断。 Original paper: The effect of medical explanations from large language models on diagnostic accuracy in radiology. — NPJ digital medicine. 10.1038/s41746-026-02619-0 📄 阅读文章

DxDirector是一个由代理式大语言模型驱动的临床诊断系统，通过结合AI深度推理与医生专业判断，实现了诊断过程的全流程自动化。这项研究为医学AI辅助决策开辟了新的可能性。 Original paper: DxDirector: an agentic large language model driving the full-process clinical diagnosis. — Nature communications. 10.1038/s41467-026-71928-5 📄 阅读文章

一项发表在《NPJ数字医学》的新研究利用条件变分自编码器（CVAE）等深度学习技术，成功区分了轻度认知障碍（MCI）特有的脑结构改变与正常大脑衰老过程的共同特征。该研究在跨越近1800例研究对象的多中心验证中发现，MCI特异性的脑结构特征不仅与特定认知域的损伤密切相关，而且在预测阿尔茨海默病转换方面的表现超过了现有的脑脊液生物标志物。 Original paper: Decoupling MCI-specific signatures from shared neurobiological substrates of cognitive aging via deep learning. — NPJ digital medicine. 10.1038/s41746-026-02597-3 📄 阅读文章

肌萎缩侧索硬化症（ALS）是一种进行性神经退行性疾病，准确的疾病分期对于临床决策和患者风险评估至关重要。一项最新研究将多参数超声检查与可解释的机器学习模型相结合，开发了一套非侵入性、床旁可及的ALS分期预测系统，其性能表现良好，具有临床转化潜力。 Original paper: Predicting amyotrophic lateral sclerosis stage based on multi-parameter ultrasound: development and validation of an interpretable machine learning model. — BMC medicine. 10.1186/s12916-026-04871-3 📄 阅读文章

来自纽约大学的研究团队开发了一个名为FM-HCT的三维基础模型，在36万多张头部CT扫描上进行自监督学习，能够准确检测包括脑出血、脑肿瘤、脑积水等10种神经系统疾病，相比现有模型性能提升16-20%。这项发现发表在《自然·生物医学工程》上，为资源有限的医疗机构提供了一个高效、可靠的神经影像诊断工具。 Original paper: 3D foundation model for generalizable disease detection in head computed tomography. — Nature biomedical engineering. 10.1038/s41551-026-01668-w 📄 阅读文章

一项中国多中心队列研究开发了OsteoSC-M3机器学习模型，可通过血液生物标志物和基本体征预测女性骨质疏松症，提前识别高风险患者约29个月，显著优于现有风险评估方法。 Original paper: A multiparameter model (OsteoSC-M3) for early detection and risk stratification of osteoporosis in women: a multicentre cohort study in China. — EClinicalMedicine. 10.1016/j.eclinm.2026.103902 📄 阅读文章

一项来自加州凯撒医疗集团的大规模研究直接对比了两种统计设计方案在深度学习模型预测轻度哮喘恶化中的表现，发现队列设计虽然判别性能略逊于病例对照设计，但其预测概率与真实人群事件发生率高度吻合，更加适合临床部署。这项研究为AI医学应用的设计选择提供了重要的实证指导。 Original paper: Cohort vs case-control design for transformer-based prediction of asthma exacerbations in mild asthma. — NPJ digital medicine. 10.1038/s41746-026-02624-3 📄 阅读文章