环境不仅是背景，也是暴露。个体不是人口平均值，而是异质的风险景观。资源有限时，算法设计的每一个选择都关乎公平。这批研究在PM2.5与传染病、风险预测与资源配置、AI开发伦理之间建立了新的连接，重新定义了预防医学的数据科学方向。

这项发表于《PLoS Medicine》的队列研究表明，在马拉维基层医疗场景中，基于常规临床与家庭背景信息的机器学习模型，可较准确预测2至59月龄肺炎患儿7天内住院或死亡风险。

这项前瞻性队列研究显示，由新手在AI实时引导下完成的聚焦心脏超声，在筛查部分结构性心脏病方面具有较高可行性和诊断准确性。

壶腹部病变在常规前视胃镜图像中并不总是容易判断，尤其是在正常壶腹、腺瘤和癌之间进行区分时，诊断经验会明显影响结果。

这项发表于 NPJ digital medicine 的研究显示，利用常规产检中的临床、实验室和超声数据，解释性AI模型可对晚孕期胎膜早破前置状态，即PPROM风险进行较高区分度的分层。

这项发表于 NPJ digital medicine 的研究提出了 EndoSeg-RT：一种面向脊柱内镜场景的轻量级实时实例分割模型，可识别脂肪组织、骨、黄韧带和神经等关键结构。

这项发表于 Nature communications 的研究提出了 MMKD-CLIP：一个面向生物医学图像与文本的通用视觉语言基础模型。

这项发表于 NPJ digital medicine 的研究提出 Fed-GPL：一种面向多中心医学影像分析的联邦生成式提示学习框架。

这项发表于 NPJ digital medicine 的研究提出 IP-DDGAN，用于预测个体层面的阿尔茨海默病纵向脑MRI变化。

心血管AI的新范式正在浮现：普通影像中的隐匿信号、跨人群的诊断一致性、从单点到连续监测的转变。胸部X光的'生物年龄'、头颅CT的血管迹象、ECG的心功能评估，加上可穿戴式的实时监测，共同指向一个方向——更广泛的覆盖、更精准的分层、更早的干预。这是Cardiology的实践转向。