Digital Health & Informatics 正从单点预测走向整合式临床能力：模型既要从复杂生物信号中提炼疾病特征，也要串联诊断、分层与预后，并在多中心和低负担监测场景中证明可迁移性。

心血管AI的重心正在改变：模型不再止于识别异常，而是借助可迁移表征、多模态数据和低门槛感知，进入介入决策、预后分层、结构性心脏病筛查与动态风险管理。真正的考验将是外部泛化、漏诊代价和工作流净获益。

PRISM2将全切片病理图像、病理报告与临床问答整合进一个端到端多模态基础模型，使同一模型既能通过提示词回答诊断问题，也能为诊断、标志物预测和生存分析提供可迁移的表征。研究显示，在不进行任务特异训练的情况下，它在前列腺癌和乳腺癌检测中的平衡准确率可匹配临床级专用产品。

本期 Oncology 专科回顾呈现出一条清晰轨迹：影像正成为肿瘤生物学的虚拟检测工具，模型开始预测病程与并发症，计算重建则跨越设备和尺度补足缺失信号。真正的分水岭将是跨域稳健性、可解释性，以及预测能否转化为更好的临床决策。

神经智能研究正从单次识别转向病程分层、远期预测与诊疗协作。真正决定临床价值的，已不只是模型精度，而是能否跨人群、跨环境稳定运行，并在专家与非专家之间形成恰当分工。

医疗AI的重心正从刷新单项指标，转向建立可信基准、接受真实场景检验，并利用纵向数据与生成式计算支持动态预测和空间推演。性能只是起点，可靠性、因果可信度与临床可行动性正在成为新的评价轴。

影像AI的重点正从单次、单任务识别转向更难的临床问题：在常规检查中捕捉隐匿癌症，借纵向变化和可解释表型完成风险分层，并以开放数据、稳定表征和多模态对话支撑真实工作流。性能提升之外，低患病率验证与前瞻性临床价值成为关键门槛。

德国研究团队在三家大学医院完成了一次全国性病理图像联邦学习概念验证：患者数据始终保存在各医院本地，客户端无需开放防火墙端口，也不依赖VPN。开源框架TheODen在两套公开数据上取得约0.75至0.76的平均Dice分数，显示跨机构安全部署在技术上具有可行性。

呼吸医学中的机器学习正越过静态诊断：预测病程走向，从影像与视频中提取隐性表型，并把分子风险信号连接到肺癌预防。真正的分水岭，将是这些预测能否触发及时、有效且可推广的干预。

医疗AI的竞争焦点正在改变：模型不仅要预测得准，还要说明依据、进入医生决策，并经受外部验证与真实场景检验。本周21篇论文共同追问：可解释性何时真正带来可纠正性，性能提升又何时才能转化为临床价值？