01｜MRI放射组学 · 肿瘤分化
《Pediatric Radiology》：Quantitative magnetic resonance imaging radiomics predicts photoreceptorness status in retinoblastoma
视网膜母细胞瘤通常不能在治疗前活检，这项研究尝试让MRI间接读出其光感受器相关分化状态。
核心数据：回顾性多中心研究纳入45名原发眼球摘除患者，均有治疗前T2加权MRI及全转录组mRNA数据；29例用于训练，16例作为独立测试队列。研究仅分析光感受器特征最高和最低四分位肿瘤，整瘤分割后以PyRadiomics提取特征。
多条机器学习管线经重复分层交叉验证比较，最佳方案为递归特征消除加随机森林。训练队列平均AUROC为0.83；独立队列AUROC为0.81，95%CI 0.54—1.00。分子标签来自摘除肿瘤的基因表达测量，提供了影像—分子对应验证，而非仅凭影像评分。
这提示常规治疗前MRI可能携带肿瘤分化信息，为无法活检的眼内肿瘤提供无创分层思路；独立测试比单纯内部交叉验证更有说服力。
注： 总样本仅45例，测试集16例导致置信区间很宽；选择两个极端四分位会简化真实连续谱，尚不能证明可指导个体治疗。
参考信息
de Bloeme C, Jansen R, Uner O, Roohollahi K, Cardoen L, Göricke S, Koob M, Hubbard GB, Grossniklaus H, de Haan J, Moor M, Sirin S, Brisse H, Galluzzi P, Cysouw M, Dorsman J, Moll A, de Jong M, de Graaf P. Quantitative magnetic resonance imaging radiomics predicts photoreceptorness status in retinoblastoma. 2026. PMID: 42554833. DOI: 10.1007/s00247-026-06728-6.
02｜动态联合建模 · HIV长期风险
《Science Advances》：Dynamic prediction of HIV-related incomplete immune reconstitution: A multicenter, large cohort study using advanced joint modeling
核心数据：一次CD4检测可能错过风险轨迹；DJPSIIR把连续免疫指标纳入随时间更新的预测。
研究汇集2003—2024年中国31个省份21,862名HIV感染者的纵向数据，以贝叶斯联合模型整合连续CD4+ T细胞计数、CD4/CD8比值及临床参数，任务是动态预测抗逆转录病毒治疗后的不完全免疫重建。
系统在多个验证队列评估5至7年风险，AUROC为0.890—0.912，并与专家判断及19种机器学习算法比较，摘要报告其持续领先。这里的指标是判别能力，不等同于干预后改善结局；多队列验证则降低了仅靠单次内部切分得出乐观结果的风险。
价值在于把患者的免疫变化轨迹转化为可更新风险，而非依赖单一时间点，可能更适合长期随访中的重点监测与干预排序。
注： 数据来自中国，跨国家卫生系统和人群分布的可迁移性仍需验证。
参考信息
Liu F, Zhang H, Wang X, Huang J, Shi J, Yang Z, Bao J, Zhao H, Pu C, Wang S, Xu A, Wang M, Yan D, Li Y, Sun R, Sheng H, Yu J, Zhang F, Sun L. Dynamic prediction of HIV-related incomplete immune reconstitution: A multicenter, large cohort study using advanced joint modeling. 2026. PMID: 42555735. DOI: 10.1126/sciadv.aeb2781.
原文：https://doi.org/10.1126/sciadv.aeb2781
PubMed：https://pubmed.ncbi.nlm.nih.gov/42555735/
03｜生成式AI · 肿瘤知情同意
《JCO Oncology Practice》：Evaluating Artificial Intelligence Translation Tools for Language Equivalence of Oncology-Informed Consent Forms From English to Spanish
核心数据：医学专用模型未必更好：在这项小规模比较中，ChatGPT-4o的西班牙语等效性高于受测医学翻译模型。
研究以3份肿瘤临床试验知情同意书为固定测试集，不涉及模型训练；比较ChatGPT-4o、DeepL Pro和Med_English2Spanish，并以认证翻译为强参照。两名以西班牙语为母语的双语执业医师独立评价语义、习语、经验、概念与安全五个维度。
评分者加权Cohen's κ为0.95。五分制平均分中，认证翻译为4.99，ChatGPT-4o为4.89，DeepL Pro为4.43且低于认证翻译（P<0.001），Med_English2Spanish为3.32（P<0.001）。这些是语言等效性评分，不是患者理解率或试验入组效果。
结果挑战了“医学专用模型天然更可靠”的直觉，也说明通用模型可成为低成本初稿工具；但知情同意涉及风险沟通，接近认证翻译不等于可以省去人工审校。
注： 仅测试3份文件、2名评分者和英译西单一方向，未评估患者理解、低识字人群、罕见术语错误或实际入组安全性。
参考信息
Khanna S, Woo S, Susanibar-Adaniya SP, Weissman GE, Blair ML, Bruno XJ, Guerra CE. Evaluating Artificial Intelligence Translation Tools for Language Equivalence of Oncology-Informed Consent Forms From English to Spanish. 2026. PMID: 42555883. DOI: 10.1200/op-26-00317.
04｜可解释机器学习 · 卒中再入院
《Journal of Clinical Neuroscience》：Machine learning-based prediction of unplanned readmission and construction of an online calculator for elderly patients with mild ischemic stroke
核心数据：老年轻型缺血性卒中出院后，哪些患者会在30天内非计划再入院？研究把风险模型做成了在线计算器。
前瞻性队列纳入2023年8月至2024年9月的1,050名、年龄不低于60岁的轻型缺血性卒中患者，随机按8∶2分为训练集840例和测试集210例。研究比较LightGBM、XGBoost、随机森林和KNN，并以Logistic回归筛选风险因素、SHAP解释预测。
LightGBM综合表现最佳：测试AUC为0.884、准确率0.829、敏感度0.812、特异度0.875。年龄、动脉粥样硬化指数、TyG指数、吸烟和HALP评分是重要预测变量。AUC衡量区分能力，不能直接说明计算器能减少再入院。
相较只给出风险分数，在线工具和SHAP解释提高了使用便利性；不过真正的转化价值取决于跨医院校准、工作流嵌入以及针对高风险患者是否存在有效干预。
注： 仅进行同一队列的随机留出测试，没有外部验证；随机切分难以检验地域、医院流程和时间变化造成的分布偏移，也未报告前瞻性临床效益。
参考信息
Li X, Zhang W, Yang Y, Qiao L, Liu Y, Du X, Han Y, Zhao Y. Machine learning-based prediction of unplanned readmission and construction of an online calculator for elderly patients with mild ischemic stroke. 2026. PMID: 42556003. DOI: 10.1016/j.jocn.2026.112196.
