法国研究团队开发并验证了一个从常规医疗行政代码直接推导Clavien-Dindo并发症分级的算法，性能不仅优于传统机器学习模型，而且具有高度的可解释性和临床易用性。

儿童脑肿瘤患者的肌肉衰减症长期以来被临床忽视，但对生活质量和生存预后有重要影响。最新研究利用深度学习算法自动测量常规脑部MRI中的颞肌厚度，实现了对肌肉衰减症的便捷监测。

一项发表在《Radiology》期刊上的最新研究揭示了一个引人深思的现象：大型语言模型（LLM）在脑MRI诊断中的临床价值与使用者的经验水平呈反向关系——经验越丰富的医生从中获益越少，而经验不足的医生反而能获得最大帮助。

乳腺X线摄影双重阅读是全球通行的筛查标准，但严重占用放射科医生资源。法国研究团队证实，AI辅助诊断系统可安全地识别大多数正常或良性乳腺X线照片，使其免于二读，从而减轻工作负担约77%，同时维持癌症检出率。

骨肉瘤是儿童和青少年最常见的原发性恶性骨肿瘤。一项新研究通过整合多个大型数据库，采用域对抗性机器学习方法，显著提高了骨肉瘤生存预测模型在不同医疗中心的通用性和准确性。

一项发表在NPJ digital medicine的新研究评估了多个大语言模型（LLM）在HIV抗逆转录病毒治疗、药物相互作用和副作用因果推理中的一致性和可靠性。研究发现，虽然单个模型的内部一致性表现中等偏高，但模型之间的观点差异很大，且存在严重的幻觉问题，暗示目前的LLM尚不适合在临床HIV治疗决策中直接应用。

高甘油三酯诱发的急性胰腺炎是一种严重的临床疾病，但传统生化指标难以预测其严重程度。最新发表在《NPJ数字医学》的研究开发了DeepLipiDecipher——一个知识引导的图神经网络框架，通过深度解析脂质分子结构和代谢特征，在识别和分类胰腺炎患者方面取得突破性进展。

最近发表在《放射学》期刊的一项研究展示了人工智能在预测肺气肿进展中的强大潜力。研究团队开发了一款基于CT扫描的深度学习模型，能够精准预测慢性阻塞性肺病（COPD）患者特定肺叶的肺密度下降速度，为个性化治疗决策提供了新的工具。

一项新研究开发了一个深度学习模型，通过分析患者的术前磁共振影像和临床数据，能够预测不同新辅助治疗方案的病理完全缓解概率，从而为局部晚期直肠癌患者的个性化治疗方案选择提供决策支持。

手术随机对照试验（RCT）的摘要质量直接影响全球医疗工作者的临床决策。一项最新研究通过约束化的GPT-4o管道，成功将651项手术试验摘要的CONSORT报告完整性从平均9.06分（满分25分）提升至16-17分，这意味着关键临床信息的报告准确性和完整性得到了显著改善。