• 深度学习整合网络分析揭示GPNMB+小胶质细胞调控Aβ-Tau互作在阿尔茨海默病早期的新机制

  本研究针对阿尔茨海默病(AD)中Aβ与Tau蛋白互作机制不明的关键问题，通过BIONIC深度学习算法整合蛋白质组学与蛋白质互作网络，首次发现GPNMB⁺小胶质细胞和星形胶质细胞通过应激反应通路调控Aβ-Tau互作。研究建立了可视化工具AlzPPMap，为AD早期干预提供了新靶点，发表于《Alzheimer's Research》具有重要转化价值。

  来源：Alzheimer's Research & Therapy 8

  时间：2025-04-03

• 机器学习赋能即时检验：创新突破、挑战剖析与机遇展望

  在即时检验（POCT）面临灵敏度、准确性等挑战的背景下，研究人员开展了机器学习（ML）在 POCT 应用的研究。结果显示 ML 可提升 POCT 性能，但也面临监管等挑战。该研究为 POCT 发展提供方向，有望改善医疗健康状况。

  来源：Nature Communications

  时间：2025-04-03

• 人工智能赋能银屑病诊疗：洞察现状与展望未来

  为解决银屑病（PsD）在诊断和治疗方面的复杂性问题，研究人员开展了关于人工智能（AI）在 PsD 中应用的研究。结果表明 AI 在预测建模、表型分析、影像学诊断等方面有应用潜力。这有助于推动 PsD 诊疗向精准化、个性化发展。

  来源：Clinical Rheumatology 2.9

  时间：2025-04-03

• 基于人工智能的冠状动脉 CT 血管造影图像中冠状动脉异常主动脉起源的检测与分类：开拓罕见心脏病精准诊疗新征程

  为解决冠状动脉异常主动脉起源（AAOCA）在常规冠状动脉 CT 血管造影（CCTA）中易被忽视或错误分类的问题，研究人员开展了基于人工智能（AI）的 AAOCA 检测和分类工具的研究。结果显示该工具性能良好，AUC≥0.99 ，这有助于提升诊断效率和疾病管理水平。

  来源：Nature Communications

  时间：2025-04-02

• 综述：细胞外颗粒：中枢神经系统疾病的新见解

  这篇综述聚焦细胞外颗粒（EPs）在中枢神经系统（CNS）疾病中的作用。EPs 包括细胞外囊泡（EVs）和非囊泡细胞外颗粒（NVEPs），文中阐述其异质性、在疾病病理中的作用、作为生物标志物及治疗载体的潜力，还探讨面临的挑战与未来方向，值得一读。

  来源：Journal of Nanobiotechnology 10.6

  时间：2025-04-02

• 综述：癌症诊断中计算组织病理学的人工智能现状

  本文是关于癌症诊断中计算组织病理学人工智能应用的综述。涵盖 2013 - 2024 年相关研究，介绍了监督学习、弱监督学习、无监督学习和迁移学习等方法在癌症诊断、预后判断及基因变异识别中的应用，探讨了其未来发展方向，如数据融合、群体学习等。

  来源：Discover Oncology 2.8

  时间：2025-04-02

• 儿童下肢肌肉发育参考曲线：基于深度学习的脑瘫患者肌肉体积评估新工具

  编辑推荐：针对儿童肌肉生长量化标准缺失问题，研究人员利用深度学习自动分割磁共振图像(MRI)，构建5-15岁儿童下肢10块肌肉的体积参考曲线，发现脑瘫患儿中56%存在下肢肌肉发育迟缓（<10百分位），为神经肌肉疾病诊疗提供客观评估工具。

  来源：Proceedings of the National Academy of Sciences 9.4

  时间：2025-04-01

• 未来技术学院席鹏团队在活细胞内多细胞器的快速成像技术方面取得重要进展

  北京大学未来技术学院席鹏团队联合东方理工大学金大勇团队利用脂膜探针标记所有的有膜细胞器，再结合转盘共聚焦显微镜和深度学习成功实现了15种细胞结构的同时成像。该方法打破了传统多色成像的通道数量上限，为测绘活细胞内多种亚细胞器互作图谱提供有力工具。

  来源：北京大学新闻网

  时间：2025-04-01

• 人工智能助力超声心动图报告自动化生成：革新心血管诊断的新突破

  为解决超声心动图解读复杂且依赖临床医生专业知识、易产生观察者间差异的问题，研究人员开展了利用大语言模型（LLM）如 ChatGPT 自动生成超声心动图报告的研究。结果显示 LLM 表现良好，这对辅助临床工作、优化临床流程意义重大。

  来源：The International Journal of Cardiovascular Imaging 1.5

  时间：2025-04-01

• 基于深度学习的骨髓造血细胞自动分类算法（AIFORIA）：一种适用于常规筛查的九类细胞分类方案

  编辑推荐：为解决骨髓涂片人工分类耗时长、主观性强的问题，Karolinska大学医院团队开发了基于CNN的AIFORIA算法，在1950个细胞标注训练中实现99.9%精确度，外部验证F1-score达96%，单张全切片分析仅需260秒，为血液病数字化筛查提供高效可靠工具。

  来源：Journal of Hematopathology 0.6

  时间：2025-03-31

知名企业招聘：