一项荷兰多学科研究表明，卷积神经网络可以从颞骨MRI扫描中生成几何准确的合成CT图像，为避免儿童和重复检查患者的辐射暴露提供了新途径。

最新研究表明，整合磁共振成像、临床变量和分子标志物的多模态深度学习模型能够更准确地预测胶质母细胞瘤患者的生存期，为临床风险分层和个体化治疗决策提供重要支持。

美国哮喘患病率在不同社区存在显著差异。一项整合社会脆弱性指标和环保暴露数据的机器学习研究发现，社会经济因素与环保因素相互作用，共同塑造了这些地理差异，为精准公共卫生干预提供了重要的数据证据。

一项发表在《美国心脏病学会杂志》的最新研究在肯尼亚验证了AiTiALVSD人工智能心电图算法，用于检测左心室收缩功能不全。该算法取得了95.6%的灵敏度和99.1%的阴性预测值，展示了在资源受限地区进行大规模心脏病筛查的巨大潜力。

手术后的恢复并非都相同。一项大规模研究开发了一个预测工具，可在手术前识别哪些患者将面临长期失能风险，准确度达90.8%，为医患沟通和个体化治疗规划提供了新的依据。

早发型特应性皮炎（3岁前发病）与儿童哮喘和过敏性鼻炎密切相关，但临床医生难以精准识别高风险患儿。一项最新研究开发了两种机器学习模型，能够准确预测患有早发皮炎的学龄儿童发生中重度持续性哮喘和过敏性鼻炎的个体风险，为靶向防治策略提供了循证依据。

人工智能在医学文书中的应用正逐步从理论走向临床实践。一项发表在《JAMA Network Open》的最新研究评估了一套名为MedAgentBrief的AI系统在生成住院总结中的安全性和临床效用，为AI在诊疗决策支持中的安全整合提供了实证证据。

一项多中心研究发现，深度学习模型对急性肾损伤的预测能力远优于传统统计方法。但更重要的是，在真实的连续临床监测环境中，反而是那些预测周期较短的模型表现最佳，产生的虚假警报最少。

一项发表在《JAMA Network Open》上的新研究利用机器学习技术开发了一套预测乳房重建术后并发症的模型，准确率达到83%，为患者和医生提供了量化的风险评估工具，有助于改进手术决策制定过程。

健康寿命（HLE）是衡量一个人在完全健康状态下预期能活多少年的重要指标。一项发表在《NPJ数字医学》的最新研究，通过结合生存分析和机器学习技术，在超过12万人的个人健康记录基础上，实现了精准、个性化的健康寿命预测，为临床决策和人口健康策略提供了新的数据支撑。