脑影像分割长期受年龄跨度、扫描模态、成像参数和病灶存在等因素制约。发表于《NPJ digital medicine》的BrainSeg提出统一深度学习框架，试图在不为每一种输入配置重新训练或微调的前提下，同时完成脑组织分割、106个解剖区域分区及病灶标注。

阿尔茨海默病及相关痴呆（ADRD）的早期识别，往往受限于认知量表、专科评估、影像或生物标志物检测的可及性。一项发表于《NPJ Digital Medicine》的研究提出ZeBRA：仅利用日常医疗过程中自然积累的电子健康记录信息，对未来ADRD记录诊断进行被动风险分层。

一项发表于《NPJ Digital Medicine》的队列研究显示，经过噪声增强训练的单导联AI心电图模型，可在儿童及先天性心脏病人群中较准确地识别左心室收缩功能障碍。

本期 Neurology & Neuroscience 显示，AI的重心正从单点识别转向临床轨迹建模：急诊诊断、头颅CT、语音、表情、可穿戴监测和神经退行性分型共同指向更连续、更低负担、更可解释的神经医学工具。

这项发表于NPJ digital medicine的研究提出并验证了RVOTEP系统，尝试用人工智能预测视网膜静脉阻塞患者接受抗VEGF治疗后的纵向影像变化，并辅助判断是否需要继续治疗。

这项发表于NPJ digital medicine的研究表明，自监督睡眠EEG基础模型不仅能恢复传统五期睡眠结构，还能保留分期内部更细的脑电微结构，并用于若干健康相关结局的筛查。

这项发表于 NPJ digital medicine 的队列研究显示，基于真实世界电子病历的AI筛查算法，可能帮助临床更早识别阵发性睡眠性血红蛋白尿症（PNH）患者，尤其是表现不典型、诊断容易延迟的人群。

微血管侵犯（MVI）是肝细胞癌复发风险评估中的重要病理信息，但其确认通常依赖术后标本。发表于《Nature Communications》的多中心研究提出MAPUSE：它从术前造影超声（CEUS）视频中提取时空特征，在多种验证场景下预测MVI风险，并揭示该影像风险信号与免疫抑制性肿瘤微环境有关。

一项发表于《Nature communications》的大规模队列研究，系统梳理了孕晚期母体用药与新生儿并发症之间的关联。研究在百万级母婴配对数据中发现，呼吸系统结局的风险关联尤为集中；其中，口服昂丹司琼与新生儿呼吸窘迫综合征、支气管肺发育不良及其他呼吸系统疾病的较高调整后发生优势相关，并获得小鼠实验的支持。

一项发表于《Nature medicine》的研究显示，直接从大型医疗系统的常规CT与MRI数据中进行自监督学习，可以训练出具有广泛神经影像理解能力的3D视觉基础模型。NeuroVFM在多项诊断、跨序列检索和报告分诊评估中表现领先，但前瞻性测试中的漏诊也提示：它更适合作为受监督的感知模块，而非独立临床决策者。