美国研究者评估了六款通用人工智能模型和一款专用AI代理在心肺复苏（CPR）培训中的表现，发现专门开发的ChatCPR代理在遵循2024年美国心脏协会指南方面均达到100%的准确率，明显优于通用AI模型和人类调度员。

一项最新研究利用生成式人工智能预测了儿童弥漫性中线胶质瘤（DMG）的肿瘤生长模式，生成的MRI图像与真实图像难以区分，肿瘤增长预测与患者实际进展高度吻合。

空间转录组学正在迎来新的精准时代。一项发表在《自然通讯》的研究介绍了STARS计算方法，该方法突破了传统空间转录组学的分辨率局限，首次从多个平台的原始数据中恢复单细胞级别的完整基因组表达信息。

一项发表在《Nature Communications》的最新研究提出了TCPM框架，通过分析患者的常规生理指标，能够识别出同一疾病中治疗反应差异的不同患者亚群，并为每类患者推荐个体化的最优治疗方案。该方法在包括脓毒症、糖尿病、高血压、冠心病等六种疾病的验证中，推荐的治疗策略均显著优于实际临床治疗。

一项在乌干达进行的大规模研究证实，基于深度学习和信号处理的自动化系统可以可靠地解读血吸虫曼氏血吸虫病的POC-CCA（循环阴虱抗原）快速诊断试剂，准确性与资深检验人员相当，同时显著加快了诊断速度。

急性低氧性呼吸衰竭患者的病情演进存在不同的临床轨迹模式。一项多队列研究通过分析来自MIMIC-IV数据库和欧洲医院的近万名患者，识别出四种可重复的临床表现型，并证明基于早期病情动态的机器学习预测模型在预测14天预后时显著优于传统的静态氧合指标。

胶质瘤的分子诊断通常需要昂贵且耗时的基因组检测。一项多中心回顾性研究表明，名为GMAP的可解释型深度学习模型可以仅从常规病理切片直接预测胶质瘤的四种关键分子改变，性能表现优异且具有高度可解释性。

近期在《NPJ Digital Medicine》发表的研究表明，名为BTSC-Net的多任务深度学习模型在脑肿瘤的检测和诊断中表现卓越，不仅准确度高，还能显著降低初级放射科医生的诊断难度并缩短阅片时间。

最新研究表明，将实时气象数据与患者临床特征相结合，运用机器学习算法能够显著提升院外心脏骤停（OHCA）风险预测的准确性。这项中国多中心研究为急救医疗服务的资源规划和预防策略提供了新的科学依据。

在数字病理中应用深度学习的最大障碍是什么？不是准确性，而是可信度。一项最新研究发布了MorphoXAI框架，它通过人工专家解释将AI的"黑箱"预测转化为基于组织形态学的临床推理过程，使病理医生能够理解和验证AI的诊断依据。