脑衰老是神经退行性疾病的基础过程，但其表现形式因人而异。一项国际多中心研究通过新型机器学习方法，分析了近五万人的脑部MRI数据，首次系统地确定了七种不同的脑萎缩模式，为精准医学和疾病预防带来了新的视角。

一项发表于《NPJ Digital Medicine》的研究表明，整合MRI影像、PSA数值和临床报告的多模态大型语言模型Prost-LM在前列腺癌诊断中的准确率（AUC 0.954）显著超越传统单模态方法和放射科医生共识，处理时间缩短至2秒以内，有望在临床诊疗中发挥重要的辅助作用。

一项发表在《自然通讯》的研究展示了卷积神经网络（CNN）在预测结核分枝杆菌耐药性中的潜力，该模型从基因序列预测八种抗结核药物的最小抑菌浓度（MIC）准确度达89%，与体外检测误差率相当，并在临床队列中验证了其预测治疗结局的能力。

一项发表于《NPJ数字医学》的多中心研究开发了一个名为AutoARDS的人工智能系统，能够通过胸部CT扫描对急性呼吸窘迫综合征（ARDS）患者进行全方位的量化评估，包括诊断、严重程度分级、氧合水平估计、预后预测和并发症检测，性能全面超越人类放射科医生。

树型机器学习因其高可解释性在医疗诊断中备受重视，但面临算力消耗大、对硬件缺陷敏感等瓶颈。一项新研究利用MoS2闪存的物理特性，开发了软决策树模型，在保持诊断准确率超96%的同时，大幅提升了硬件效率和系统鲁棒性。

猎廷顿舞蹈病的舞蹈症症状以往主要依靠医生的主观临床评估。一项新研究利用智能手表数据，开发了数字被动监测舞蹈症评分（DPCS），为这一神经退行性疾病的客观监测提供了新途径。

一项涉及31家医院、超66000例心脏手术患者的大规模研究表明，多中心协作的AI模型显著优于单中心模型用于预测术后急性肾损伤（AKI）。令人惊讶的是，即使是病例量最多的医院，其单独训练的模型也不如多中心模型表现优异，而病例最少的医院通过数据共享或联邦学习，性能反而能达到0.80以上。

一项涉及101名放射科医生的随机对照试验表明，不同格式的人工智能解释对医生的诊断准确率影响显著。其中思维链条式解释（chain-of-thought）不仅能最有效地提升诊断准确性，还能帮助医生更明智地判断何时信任AI建议、何时坚持自己的判断。

DxDirector是一个由代理式大语言模型驱动的临床诊断系统，通过结合AI深度推理与医生专业判断，实现了诊断过程的全流程自动化。这项研究为医学AI辅助决策开辟了新的可能性。

一项发表在《NPJ数字医学》的新研究利用条件变分自编码器（CVAE）等深度学习技术，成功区分了轻度认知障碍（MCI）特有的脑结构改变与正常大脑衰老过程的共同特征。该研究在跨越近1800例研究对象的多中心验证中发现，MCI特异性的脑结构特征不仅与特定认知域的损伤密切相关，而且在预测阿尔茨海默病转换方面的表现超过了现有的脑脊液生物标志物。