一项跨队列研究显示，利用阿尔茨海默病治疗评估中常规采集的结构MRI、淀粉样蛋白PET和人口学资料，可以较准确地识别Braak III/IV阶段Tau阳性者。表现最佳的逻辑回归模型在独立外部队列中的AUC达到0.92，并且模型预测的Tau阳性与轻度认知障碍更快进展为阿尔茨海默病相关。

一项发表于《Science Advances》的研究将六种结构明确的DNA包裹单一手性碳纳米管传感器与机器学习结合，通过约0.5毫升血清形成多维“指纹”，用于肝癌、肺癌和卵巢癌识别，并探索早期肺癌筛查。该系统在独立验证中表现出较高灵敏度和特异度，但其病例对照设计意味着结果仍需前瞻性临床研究确认。

一项发表于《Gastroenterology》的多机构验证研究显示，语义增强深度学习模型SÉMIL能够从常规H&E全切片中自动评估结直肠癌浸润前沿形态，并在三个独立Ⅱ期患者队列中显著区分5年复发风险。尤其值得关注的是，即使患者已被临床指南归入高危亚组，该模型仍能进一步完成风险分层。

对STRASS随机试验全部266例患者的可解释AI重分析显示，术前放疗的获益并非均匀分布：腹部复发控制的显著改善主要见于年龄不超过60岁的高分化脂肪肉瘤患者，以及接受根治意图手术的去分化脂肪肉瘤患者。两个人群合并后，术前放疗使3年腹部无复发生存率由58%提高至79%，但研究并未发现总生存获益。

影像AI的重心正在前移：模型不仅识别当下病变，还尝试跨设备快速适应、推断肿瘤分子表型、预测疾病进展与介入决策。与此同时，商业产品间显著分歧提醒行业，部署价值最终取决于真实场景中的可迁移性、误报代价与临床增益。

本周的信号不只是模型更强：病理AI一端走向基于全切片的诊断对话，另一端跨越医院防火墙协作训练；语音、血管形态和抗体表位则被转化为随时间变化的临床量尺。真正的考验，正从单次预测转向校准、迁移和持续测量。

MerMED-FM尝试用一个视觉基础模型处理七种医学影像模态和多类疾病任务。在仅使用10%标注数据时，其总体平均AUROC达到0.854，但不同模态与外部数据集上的表现并不均衡。

这项多中心研究表明，融合双视图X线片、临床变量、语义影像特征和Bone-RADS的深度学习模型，能够较准确地区分良性骨肿瘤与潜在恶性肿瘤。作为第二读片工具，它还提高了放射科医师的诊断表现和一致性，并缩短了阅片时间。

一项发表于《Journal of Clinical Oncology》的研究显示，常规术后组织学切片中可能蕴含选择辅助化疗方案所需的信息。研究者开发的PANCprAId人工智能生物标志物，在PRODIGE-24/CCTG PA6随机Ⅲ期试验样本中识别出更倾向于吉西他滨或改良FOLFIRINOX的患者，并观察到显著的标志物与治疗交互作用。

基于常规电子健康记录的FIND-AF 2.0模型，可以在不增加复杂检查指标的情况下，识别未来6个月更可能获得房颤新诊断的人群。前瞻性研究中，高风险组的房颤检出率达到4.5%，而低风险组仅为0.6%。