一项新发表的研究提出了端到端的隐私保护健康数据合成框架，通过结合深度生成模型与差分隐私技术，使医学研究者能够安全共享敏感数据集。该框架在瑞典PREDICT队列的26个生物库数据集上进行了验证，涉及50,274名个体。

研究人员开发了一种深度学习模型，能够从唾液蛋白质组中高精度检测头颈癌。通过结合跨组织类型数据迁移和生成模型合成数据，该方法成功克服了罕见癌症诊断中的样本量限制。

右上叶切除术后肺萎陷是常见并发症，但目前主要依赖医生的主观放射学评估。一项新研究开发了基于nnU-Net v2深度学习的自动化框架，通过CT扫描的肺叶和气道分割，实现了肺萎陷的客观定量评估和分级，并证明体积指标可预测患者术后一年是否需要支气管镜检查。

最近发表在《自然·通讯》上的研究报道了一种创新的可穿戴微针生物传感器系统，通过借鉴海星的生物力学结构与轻量级边缘人工智能相结合，实现了无需云端支持的实时代谢健康监测，诊断准确率达到98.68%。

一项发表在《NPJ数字医学》的最新研究表明，通过结合监督微调和强化学习优化，轻量级大语言模型可在肺部疾病诊断中达到与GPT-4o相当的准确度，同时保持临床推理的可解释性。这一突破为资源受限的医疗机构部署隐私保护的AI诊断系统提供了切实可行的解决方案。

一项发表在《自然通讯》上的最新研究开发了机器学习启能的植入式植物生物标记传感器（MLIPBS），能在植物出现可见症状前至少48小时，通过实时监测植物细胞内的生化信号准确预警盐碱和酸性胁迫。

一项发表在《自然医学》的大规模研究开发了OBSCORE风险预测模型，通过机器学习综合临床参数，能够比仅基于BMI的传统方法更精准地识别肥胖相关并发症的高危人群，为个性化减重干预奠定数据基础。

一项大规模外部验证研究证实，ECG人工智能模型（ECG Buddy）的10个数字生物标志物在美国临床实践中表现稳健，特别是在急性心肌梗死和STEMI诊断中优于传统肌钙蛋白检测，为急诊科的智能风险分层提供了新的证据支持。

一项五中心随机对照试验证明，基于强化学习的自动麻醉系统（AAS-GE）在胃肠镜检查中的安全性与有效性与临床医生手动管理相当，同时显著缩短诱导时间。这项研究为人工智能在医疗领域的创新应用提供了高质量证据。

内镜检查是胃肠道疾病早期发现的关键手段，但目前AI辅助的息肉检测系统常因不同临床设备之间的影响导致性能不佳。这项新研究开发的EndoStyle系统通过图像风格转换技术，有效解决了设备间的域差异问题，显著提升了AI检测的准确性。