Radiology & Imaging 的竞争焦点正从分类性能转向临床表达能力：模型不仅要识别异常，还要定位依据、生成影像与报告、预测患者结局，并在数据不完整、机构异质和责任边界清晰的现实环境中保持可靠。

这项发表于JAMA Surgery的研究表明，深度学习能够从术后伤口照片中识别具有切口手术部位感染征象的图像，并可能帮助远程医疗团队优先处理高风险病例。不过，模型在外部验证中性能下降且高估感染风险，说明它距离独立诊断工具仍有明显距离。

一项整合静息态功能磁共振、脑脊液标志物和脑转录组数据的研究表明，对比图卷积网络可以从复杂的老龄化背景中分离出与淀粉样蛋白阳性状态更相关的功能网络特征。该模型不仅能够预测个体脑脊液Aβ1-42和p-tau181水平，还将这些影像特征连接到认知表现、APOE基因型以及突触、神经炎症和胶质细胞相关分子过程。

常规心理社会问卷不仅记录“答了什么”，也留下“怎样作答”的行为轨迹。Gao等发现，把这些常被视为数据噪声的信号用于跨国联合训练，可在不额外安排认知测验的情况下识别老年人的认知障碍风险。

一项覆盖354万余名瑞典居民的全国队列研究显示，基于常规登记数据的FRACTURE-ML能够在无需当面评估的情况下预测未来1至10年的髋部骨折风险。仅使用35个变量的简化模型仍保持较高准确度，并可能帮助医疗系统在首次骨折发生前识别高风险人群。

重症与围术期AI正跨过静态评分阶段：它开始理解病程轨迹、预测连续干预，并进入质控、快速反应和证据生成流程。但真正决定临床价值的，已不只是AUC，而是安全的策略验证、可解释的行动窗口和可归因的患者结局。

近期骨科AI的重心正在改变：不再只追求单任务精度，而是沿影像采集、风险识别、术前规划、术中导航和康复评估进入真实流程。可扩展性、外部验证与临床可行动性，正成为决定技术价值的新坐标。

对APHINITY随机试验4262份肿瘤切片的二次分析表明，无论采用人工、非AI数字方法还是AI模型，较高的免疫浸润均与更好的无浸润性疾病生存相关。标准化人工评分依然可靠，但AI提取的免疫空间热点提供了单纯淋巴细胞密度之外更一致的预后和治疗获益信息。

在早期三阴性乳腺癌中，两套无需重新训练的人工智能病理系统生成的五种计算性肿瘤浸润淋巴细胞评分，均与更好的复发及生存结局显著相关。不过，当病理医生评估的间质TIL评分已经纳入模型后，AI评分并未提供额外的预后信息。

一项覆盖三个队列、共纳入1107例患者的研究发现，局部晚期非小细胞肺癌接受胸部放疗时，胸腺平均受照剂量越高，远处转移和死亡风险越高。对于治疗前胸腺状态较好的患者，这种关联尤其明显。