这项多中心回顾性队列研究显示，深度学习模型可以从常规H&E染色病理切片中预测脑膜瘤分子分型、关键染色体拷贝数改变，并评估患者复发风险。

动脉粥样硬化和腹主动脉瘤都是代谢相关的血管疾病，但最新研究发现，它们在脂肪代谢通路上的"选择"截然不同。这种差异不仅解释了为什么同样的危险因素会导致不同的疾病，还为精准治疗提供了新的突破口。

轻度出血紊乱症（MBD）在术前患者中的检出率为10-15%，但目前缺乏统一、高效的筛查工具。近期发表在《柳叶刀·数字健康》上的研究介绍了一款名为MBD-Check的可解释性机器学习决策支持工具，在外部验证中实现了90.2%的敏感性，有望简化术前风险评估流程。

一项发表于《Ophthalmology》期刊的大规模研究发现，截至2025年，眼科出版物中超四分之一的论文包含可检测的AI生成文本，但令人担忧的是，这些论文中几乎没有进行任何披露，凸显了学术出版中日益严峻的诚信危机。

骨质疏松椎体骨折是一种严重的衰弱性疾病，但传统的风险评估方法往往忽视了肌肉退变这一关键因素。最新发表的研究开发了一套全自动AI系统PMSAC-OVF，通过分析腰椎MRI中的椎旁肌肉特征，结合联邦学习和多模式融合，实现了跨医疗机构的高精度骨折风险预测，为临床早期干预提供了新的途径。

一项发表于《NPJ数字医学》的研究对ChatGPT在复杂多发性神经病变诊断中的表现进行了系统评估，结果显示这款AI工具可以与普通神经科医生相媲美，但仍存在明显的诊断盲点。

一项发表在《NPJ数字医学》上的研究表明，基于智能手机的便携式生物力学实验室能够在真实临床环境中精确分析患者的运动方式，其准确性与传统专业设备相当，但具有更强的临床可及性和可用性。

一项多中心研究证实，名为ProViCNet的深度学习模型在检测临床显著性前列腺癌方面超过了专业放射科医生，同时与PSA筛查结合时可大幅降低不必要活检的患者比例。这项研究为AI在前列腺癌诊断中的临床应用提供了强有力的证据。

大型语言模型在医学应用中存在严重的"幻觉"问题，容易生成看似可信但实际错误的信息。一项最新研究发表在《NPJ数字医学》期刊上，介绍了EyeRAG系统——一个整合眼科临床知识图谱的检索增强生成系统，成功将幻觉率从30%降低至3.3%，在眼科临床对话中的表现全面超越现有AI方案。

最新研究表明，采用课程学习策略训练的医学视觉语言模型RadiSim-CL，能够模拟放射科医生的学习过程，在复杂影像诊断任务中表现卓越。该模型在脑肿瘤诊断（AUC 0.953）和脑膜瘤分级（准确率0.764）等任务中达到业界领先水平，且具有强大的零样本跨模态泛化能力。