眼科AI正在越过单病种识别：影像基础模型开始生成检查、连接系统性风险，临床系统则走向量化监测、结构化报告与交互问答。与此同时，模型已进入生物标志物和治疗设计上游，也迫使学界重新审视论文作者身份与证据可信度。

一项覆盖瑞士与日本3991例患者的多中心研究显示，整合临床、实验室、心电图及多种影像和操作信息的生存分析模型，可以比传统外科风险评分更准确地预测TAVI后的长期死亡风险。模型未经重新校准便在日本队列保持了良好的区分度与校准表现。

HealthFlow试图解决电子健康记录自动分析中最危险的问题：程序可以顺利运行，结果也看似合理，分析方法却可能已经失效。该框架通过规划、执行、评估和反思四类智能体构成纠错闭环，并在五项基准测试中取得论文报告的最高成绩。

视网膜专用基础模型并未在所有任务中全面胜出：标注数据充足时，RETFound与传统深度学习模型的眼病识别性能接近；它更明确的优势出现在少标签的全身疾病预测中，但代价是更大的模型和更高的计算需求。

Radiology & Imaging 的竞争焦点正从分类性能转向临床表达能力：模型不仅要识别异常，还要定位依据、生成影像与报告、预测患者结局，并在数据不完整、机构异质和责任边界清晰的现实环境中保持可靠。

这项发表于JAMA Surgery的研究表明，深度学习能够从术后伤口照片中识别具有切口手术部位感染征象的图像，并可能帮助远程医疗团队优先处理高风险病例。不过，模型在外部验证中性能下降且高估感染风险，说明它距离独立诊断工具仍有明显距离。

一项整合静息态功能磁共振、脑脊液标志物和脑转录组数据的研究表明，对比图卷积网络可以从复杂的老龄化背景中分离出与淀粉样蛋白阳性状态更相关的功能网络特征。该模型不仅能够预测个体脑脊液Aβ1-42和p-tau181水平，还将这些影像特征连接到认知表现、APOE基因型以及突触、神经炎症和胶质细胞相关分子过程。

常规心理社会问卷不仅记录“答了什么”，也留下“怎样作答”的行为轨迹。Gao等发现，把这些常被视为数据噪声的信号用于跨国联合训练，可在不额外安排认知测验的情况下识别老年人的认知障碍风险。

一项覆盖354万余名瑞典居民的全国队列研究显示，基于常规登记数据的FRACTURE-ML能够在无需当面评估的情况下预测未来1至10年的髋部骨折风险。仅使用35个变量的简化模型仍保持较高准确度，并可能帮助医疗系统在首次骨折发生前识别高风险人群。

重症与围术期AI正跨过静态评分阶段：它开始理解病程轨迹、预测连续干预，并进入质控、快速反应和证据生成流程。但真正决定临床价值的，已不只是AUC，而是安全的策略验证、可解释的行动窗口和可归因的患者结局。