中心体异常长期被视为肿瘤细胞遗传不稳定性和异常分裂的重要线索，但在真实组织中对其进行单细胞、空间分辨的可靠量化一直困难。Cheng、Fan、Bailey等人在《Nature communications》发表的研究提出CenSegNet，以模块化深度学习流程实现高通量中心体表型分析，并提示中心体数目异常与结构异常应作为两条独立的生物学轴线加以研究。

胸部X线人工智能的难点，不只是识别某种异常，还在于把不同模型捕捉到的信号定位到解剖结构，并以临床可追溯的方式整合为判断。发表于《NPJ digital medicine》的研究提出RadFabric：一个以解剖定位为纽带的可解释多智能体系统，在MIMIC-CXR测试集中显示出较单一模型和常规集成更好的诊断表现与概率校准。

认知损害的早期识别需要兼顾可及性、成本和解释性。一项发表于《NPJ Digital Medicine》的中国队列研究提出，利用8项基层较易获得的健康与社会人口学指标，随机森林模型可对农村成年人未来约10年的认知损害风险提供中等程度的预测信息。

一项发表于《NPJ Digital Medicine》的计算研究提出分层多任务学习模型，尝试从可穿戴惯性传感器的步态数据中同时输出病理步态筛查、疾病分类、功能量表、年龄与性别等多类结果。

在ABC-DS纵向队列中，研究者利用血浆生物标志物与人口学信息建立模型，可预测认知稳定的唐氏综合征成人在未来16个月内是否转归为轻度认知障碍或唐氏综合征相关阿尔茨海默病。

阿尔茨海默病并非总是单一病理过程。该研究显示，在脑脊液生物标志物定义的阿尔茨海默病中，合并路易体病理者的MRI预测脑龄更高、随访中增长更快，且这种更“老”的大脑状态与较差认知表现有关。

一项覆盖全国10万余名成年人、随访超过11年的前瞻性队列研究提示：PM2.5总质量相同，并不意味着冠心病风险相同。长期居住地暴露于有机碳、元素碳和硝酸盐，与冠心病及急性心肌梗死风险升高相关；其中，有机碳的关联最强、也最一致。

对于需要评估慢性心肌梗死瘢痕的患者，钆对比剂延迟强化（LGE）长期以来是关键参考方法。一项前瞻性多中心研究显示：在无对比剂电影序列和T1图谱质量较高、AI生成的虚拟原生增强（VNE）表现明确时，VNE对心肌梗死瘢痕的识别和定量可与LGE接近；但对不确定、图像质量欠佳、小面积或心内膜下瘢痕，LGE仍不可轻易省略。

一名慢性完全性颈髓损伤患者在植入式双向脑机接口、外周手部助力和靶向刺激的协同下，实现了自主意图驱动的手部开合、来自自身手部的触觉反馈，以及饮水和自我进食等任务。更值得关注的是，部分运动与感觉改善在刺激停止后仍可维持。

一项发表于《NPJ Digital Medicine》的多队列回顾性研究表明，经胸片—报告对比学习预训练的基础模型，可从一张常规胸部X线片中提取与大量现患及未来临床表型相关的信号。