最新发表在《科学》杂志上的研究表明，OpenAI o1-preview大语言模型在医学临床推理任务中已全面超越有经验的医生和前一代AI模型GPT-4，这是人工智能在医学推理领域首次获得明确的优势证据。

一项对2000多名无慢性阻塞性肺病(COPD)患者的研究发现，胸部CT中可检出的肺气肿样改变与脊椎骨矿物质密度降低及加速骨质流失显著相关，特别是在男性中表现更为明显。这项研究提示，通过深度学习对常规胸部CT的分析，可能成为识别骨质疏松症高危人群的新型影像生物标志物。

神经退行性疾病（如阿尔茨海默病、帕金森病等）的早期精准诊断一直是临床难题。一项最新研究通过血液蛋白质生物标志物与人工智能相结合，实现了对多种神经退行性疾病的高准确度诊断和共病特征分析。

一项新发表的研究介绍了REDMOD系统，这是一个基于CT影像放射学特征的全自动AI框架，能够在临床症状出现前的隐性阶段检测胰腺导管腺癌（PDA），其诊断灵敏度比顶级放射科医生高近两倍。

传统的癌症风险分层依赖于预先定义的临床指标，但这些指标往往无法捕捉患者之间的微妙异质性。一项新发表在《NPJ数字医学》的研究开发了一个无监督机器学习框架，能够直接从临床数据和医学影像中自动发现预后不同的患者亚群，且模型可解释性强，有望推动精准肿瘤学的发展。

一项国际多中心研究表明，名为COCA的深度学习系统能够在常规非对比CT扫描上准确检测结直肠癌，灵敏度达91.8%，特异度98.8%，显著超越放射科医生的诊断水平。这一突破为全球数百万患者的结直肠癌机会性筛查开辟了新途径，无需额外的辐射、肠道准备或患者配合成本。

最新发表于《自然通讯》的研究建立了一套基于群论和旋转对称性的数学框架，系统地解析了扩散加权成像（dMRI）中的累积量张量。这一发现不仅提供了21个独立的旋转不变量，还能将多发性硬化症检测的分类误差降低30%，并使先进MRI指标的临床应用成为可能。

整合多基因风险评分与转录风险评分的血液检测方法，相比单一指标，能更精准地检测阿尔茨海默病风险，AUC提升至0.705，为早期诊断提供了有效的非侵入性方案。

一项最新研究对11个AI医疗文档助手与18名人类医生进行了系统对比，使用标准化初级保健病例评估病历质量。结果显示人类医生生成的笔记质量显著更高，AI工具应作为需要医生审核的初稿生成工具，而非直接替代品。

一项发表在《科学进展》上的研究展示了一款无线连接的智能指环系统，能够实时翻译美国手语和国际手语，准确率超过88%，且无需针对个人用户的校准过程。该系统突破了之前手套型和有线系统的局限，为聋哑人和重听人群的日常交流提供了新的可能。