跳到主要内容
检索

University of Maryland, Baltimore

4 篇关联报道

订阅更新
  1. bioRxiv

    年轻乳腺癌生存预测改从年长队列借力:LSAT-EN按组学层调借力强度,四年AUC达0.819

    50岁以下乳腺癌患者样本少,预后模型难以训练,LSAT-EN把年长患者队列当作源域,在六个组学层上分别调节向源模型系数靠拢的强度,同时用弹性网做变量选择。在TCGA-BRCA数据上,以60岁及以上为源、50岁以下为目标,四年二分类生存预测的AUC为0.819,高于合并建模的0.774、仅用目标队列的0.757、glmtrans的0.728和GAS-EN的0.780。模拟中源目标差异越大、目标训练样本越少,分层借力的优势越明显。

  2. 41位国际专家系统检索922篇文献后,把急性加重定义从IPF扩展到全部纤维化间质性肺病,并提出“急性呼吸恶化”新框架

    一个由41位国际多学科专家组成的工作组系统检索了截至2025年3月17日的922篇文献,将2016年仅针对特发性肺纤维化(IPF)的急性加重(AE)定义修订为适用于全部纤维化间质性肺病(fILD)的AE-fILD定义(以弥漫性肺泡损伤为核心,伴或不伴机化性肺炎),并提出“急性呼吸恶化(ARW)”这一更广的概念框架以涵盖非DAD所致的急性呼吸恶化,同时汇总了流行病学、危险因素、预后与治疗证据,并讨论了AE作为临床试验终点的可行性。

  3. arXiv

    ICHOR用11405例ASL脑血流图自监督预训练,在四项下游任务上整体优于结构MRI预训练基线

    该研究提出ICHOR,一种基于3D掩码自编码器(ViT-Base编码器加轻量解码器)的ASL脑血流(CBF)图自监督预训练框架,在来自14项研究、多站点多协议的11405例ASL CBF扫描上预训练,并在三项诊断分类任务和一项ASL CBF图质量预测回归任务上评估,结果显示其在四项任务上整体优于BrainIAC、BrainSegFounder和MedicalNet等结构MRI预训练基线。

  4. medRxiv

    急诊医学人工智能能力框架:一项多阶段共识研究

    该研究通过名义群体技术(2025年5月,n=6)与两轮改良德尔菲法(2026年4月至5月,专家组n=13,来自12家学术医学中心,第一轮应答率77%、第二轮100%)构建了美国首个专科特异性的急诊医学AI能力框架,最终形成5个主题(沟通AI、理解适用场景、与AI互动、AI风险管理、AI的认知影响)、5项派生能力(主题与能力一对一映射获13人中12人认可)、19个子主题和10个保留临床场景,所有主题、派生能力及被单独评分的子主题均达到预设共识阈值,10个场景中9个达到共识、1个作为未来态运行模型保留。

已读完全部报道