TopCoW挑战把脑动脉环自动分析从单纯追求像素重叠，推进到同时评价血管连续性、分支构成与解剖变异。领先算法的分割Dice超过90%，其生成的可解释血管图还可用于胎儿型大脑后动脉识别和动脉瘤定位。

一项多机构随机对照试验表明，面向心理福祉而专门设计的生成式AI应用，可以在六周内小幅增强大学生的积极情绪、韧性、归属感和正念，并缓冲部分福祉指标随时间下降。它更适合作为阶梯式心理健康服务中的上游预防工具，而不是心理治疗的替代品。

一项覆盖11家医院、23132名高危成人患者的真实世界研究发现，将Epic恶化指数嵌入标准化临床流程，并自动通知快速反应团队后，院内死亡率从23.1%降至18.6%。但这项研究评估的是“算法加工作流程”的整体实施效果，而非算法本身的独立疗效。

来自德国和葡萄牙六家医疗中心的397例腹腔镜手术录像表明，医院无需集中共享视频，也可以协作训练预测阑尾炎严重程度的人工智能模型。Swarm Learning在外部验证中取得了接近集中式训练的性能，但基础设施和临床系统整合仍是落地的主要障碍。

儿科AI正在跨过单纯追求模型性能的阶段：风险预测开始对接分诊、随访与治疗，日常语言成为心理风险信号，对话式AI则进入青年健康信息生态。真正的分水岭，是能否把预测、信任与可持续行为改变连成一条临床路径。

让GPT-5扮演外科、内科或放射肿瘤科专家，几乎总能得到“像专家说的话”，但未必能得到彼此独立的专家判断。对100例胃肠道肿瘤病例的回顾性模拟显示，不同提示框架与真实多学科肿瘤委员会决策的一致率为78%至87%，框架之间没有经多重比较校正后仍显著的差异。

神经专科AI正在走出单次院内评估：居家传感、智能手机与常规影像拓展了连续数字表型，脑影像和病理表征则深入生物学结构。但本期更重要的信号是，模型复杂度并非决定临床价值的关键，测量质量、外部验证与真实使用情境才是。

VITAL-AF试验的一项事后分析显示，基于人工智能心电图的模型能够比传统CHARGE-AF评分更好地区分未来两年发生房颤的老年人。筛查获益主要集中在预测风险最高的人群，而在全部老年人中按年龄开展筛查，并未显著增加新诊断房颤病例。

@IT-2020项目开发并验证了一套模块化人工智能临床决策支持系统，可根据临床、分子过敏原和环境暴露等信息识别季节性过敏性鼻炎的致病花粉或真菌。

一项针对儿童弥漫性中线胶质瘤生成式影像预测研究的方法学评论指出：模型生成的MRI即使看起来逼真、全肿瘤重叠度较高，也不能直接证明其能够可靠预测真正新增的肿瘤区域，更不足以支持放射治疗计划。成人病例占主导的训练数据、以切片代替患者进行统计推断，以及缺少面向临床决策的评价指标，是当前证据链中的三个关键问题。