眼科AI正在越过单病种识别：影像基础模型开始生成检查、连接系统性风险，临床系统则走向量化监测、结构化报告与交互问答。与此同时，模型已进入生物标志物和治疗设计上游，也迫使学界重新审视论文作者身份与证据可信度。
视网膜专用基础模型并未在所有任务中全面胜出：标注数据充足时，RETFound与传统深度学习模型的眼病识别性能接近；它更明确的优势出现在少标签的全身疾病预测中，但代价是更大的模型和更高的计算需求。
一项覆盖瑞士与日本3991例患者的多中心研究显示，整合临床、实验室、心电图及多种影像和操作信息的生存分析模型，可以比传统外科风险评分更准确地预测TAVI后的长期死亡风险。模型未经重新校准便在日本队列保持了良好的区分度与校准表现。
HealthFlow试图解决电子健康记录自动分析中最危险的问题：程序可以顺利运行，结果也看似合理，分析方法却可能已经失效。该框架通过规划、执行、评估和反思四类智能体构成纠错闭环，并在五项基准测试中取得论文报告的最高成绩。
Radiology & Imaging 的竞争焦点正从分类性能转向临床表达能力：模型不仅要识别异常，还要定位依据、生成影像与报告、预测患者结局，并在数据不完整、机构异质和责任边界清晰的现实环境中保持可靠。
这项发表于JAMA Surgery的研究表明，深度学习能够从术后伤口照片中识别具有切口手术部位感染征象的图像，并可能帮助远程医疗团队优先处理高风险病例。不过，模型在外部验证中性能下降且高估感染风险，说明它距离独立诊断工具仍有明显距离。
一项整合静息态功能磁共振、脑脊液标志物和脑转录组数据的研究表明，对比图卷积网络可以从复杂的老龄化背景中分离出与淀粉样蛋白阳性状态更相关的功能网络特征。该模型不仅能够预测个体脑脊液Aβ1-42和p-tau181水平，还将这些影像特征连接到认知表现、APOE基因型以及突触、神经炎症和胶质细胞相关分子过程。
常规心理社会问卷不仅记录“答了什么”，也留下“怎样作答”的行为轨迹。Gao等发现，把这些常被视为数据噪声的信号用于跨国联合训练，可在不额外安排认知测验的情况下识别老年人的认知障碍风险。
一项覆盖354万余名瑞典居民的全国队列研究显示，基于常规登记数据的FRACTURE-ML能够在无需当面评估的情况下预测未来1至10年的髋部骨折风险。仅使用35个变量的简化模型仍保持较高准确度，并可能帮助医疗系统在首次骨折发生前识别高风险人群。
重症与围术期AI正跨过静态评分阶段：它开始理解病程轨迹、预测连续干预，并进入质控、快速反应和证据生成流程。但真正决定临床价值的，已不只是AUC，而是安全的策略验证、可解释的行动窗口和可归因的患者结局。
近期骨科AI的重心正在改变：不再只追求单任务精度，而是沿影像采集、风险识别、术前规划、术中导航和康复评估进入真实流程。可扩展性、外部验证与临床可行动性，正成为决定技术价值的新坐标。
对APHINITY随机试验4262份肿瘤切片的二次分析表明，无论采用人工、非AI数字方法还是AI模型，较高的免疫浸润均与更好的无浸润性疾病生存相关。标准化人工评分依然可靠，但AI提取的免疫空间热点提供了单纯淋巴细胞密度之外更一致的预后和治疗获益信息。
在早期三阴性乳腺癌中，两套无需重新训练的人工智能病理系统生成的五种计算性肿瘤浸润淋巴细胞评分，均与更好的复发及生存结局显著相关。不过，当病理医生评估的间质TIL评分已经纳入模型后，AI评分并未提供额外的预后信息。
一项覆盖三个队列、共纳入1107例患者的研究发现，局部晚期非小细胞肺癌接受胸部放疗时，胸腺平均受照剂量越高，远处转移和死亡风险越高。对于治疗前胸腺状态较好的患者，这种关联尤其明显。
MORGOTH试图用一套基础模型完成从癫痫发作、棘波等局部事件识别，到整段脑电图综合分类的统一判读。多中心验证显示，它在多项任务上达到专家水平，外部数据中的性能下降有限，并表现出较好的校准度和亚组稳健性。
近期肿瘤AI的重心正在前移：基础模型追求跨任务迁移，数字病理深入患者分层，多模态模型尝试预判疗效与风险，而筛查研究开始把工作负荷、可及性和转诊闭环纳入评价。真正的考验，已从能否识别转向能否稳定改变决策。
DentVLM将七类口腔影像、36项诊断任务以及中英文问答整合进一个视觉语言模型，并为结果附上判断依据和解剖位置。在回顾性读者研究中，它的总体准确率超过初级读者、接近高年资专科医师；作为辅助工具时，还能同时提高诊断准确性和效率。
这项跨越小鼠环路实验与儿童睡眠脑电的研究表明，非快速眼动睡眠纺锤波不仅与社交记忆巩固有关，其生成环路受损还可能参与孤独症谱系障碍的社交记忆缺陷。纺锤波密度和形态同时展现出候选脑电标志物的潜力，但距离临床应用仍需更大规模的外部验证。
HisToSpatialCNV尝试把常规苏木精-伊红染色切片转化为空间基因组信息：模型仅依据组织形态，预测不同空间位置的拷贝数缺失、中性或扩增状态。研究显示，这些预测不仅具有较好的判别性能，还可用于分析肿瘤边界、亚克隆演化和患者分型。
医疗AI的评价重心正在改变：准确率只是起点，真正的问题是模型在何种数据、工作流与使用者条件下可信。本期专科回顾聚焦现实可靠性、机制与多模态预测，以及从常规信号构建规模化智能。
顺磁性环形病灶不仅反映多发性硬化的慢性活动性炎症，还可能提示患者未来发生残疾累积、尤其是复发无关进展的风险。Neurology发表的这项队列研究进一步显示，病灶越多，进展风险越高，并伴随更快的脑容量丢失。
一项在真实临床流程中开展的前瞻性质量改进研究显示，EHR内嵌的大语言模型工具可高敏感度筛出可能需要医院医学科参与外科共管的患者。系统负责提出建议，临床医生仍保留确认、拒绝和推翻建议的权力。
近期 Digital Health & Informatics 的重心正在转移：模型不再只追求更高分数，而是深入专科诊疗结构，输出可解释、可追踪的临床信息，并把隐私、公平、患者沟通与上市后风险纳入同一条治理链。
一项发表于《Nature Medicine》的大规模研究显示，肝脏增强CT人工智能系统LiON不仅在多中心验证中取得较高诊断效能，还能作为临床流程中的“第二阅片者”，协助发现此前被忽略的恶性病变。其价值主要体现在人机协作，而非替代放射科医师。
一项小规模前瞻性概念验证研究显示，在获得患者预先填写的价值档案后，大语言模型与患者治疗选择的一致率约为73%，高于法律指定代理人的44.7%。但模型的优势依赖可靠、充分的价值信息，尚不能替代代理人和临床团队的判断。
