• 基于自动机器学习早期预测急性胰腺炎全身炎症反应综合征的研究

  为解决急性胰腺炎（AP）并发全身炎症反应综合征（SIRS）难以早期精准预测的问题，研究人员开展了利用自动机器学习（AutoML）算法构建预测模型的研究。结果显示 AutoML 模型优于传统逻辑回归，DL 模型表现最佳。这对 AP 患者 SIRS 的早期预测有重要临床意义。

  来源：BMC Medical Informatics and Decision Making

  时间：2025-04-18

• 基于多流融合网络的可解释睡眠阶段分类研究：开启睡眠健康精准评估新征程

  睡眠阶段分类对评估睡眠质量和诊断睡眠障碍意义重大。当前方法在处理多通道睡眠监测信号时，忽略时空与频谱 - 时间特征的异质融合。研究人员提出可解释的多流融合网络 MSF - SleepNet，实验表明其性能卓越，为睡眠研究提供新方向。

  来源：BMC Medical Informatics and Decision Making

  时间：2025-04-15

• 基于可解释深度学习的急性淋巴细胞白血病（ALL）诊断：效率与透明度的协同

  为解决急性淋巴细胞白血病（ALL）诊断中传统方法的局限、深度学习（DL）模型计算效率低及缺乏可解释性的问题，研究人员开展了 ALL 诊断框架的研究。结果显示，该框架诊断性能佳、计算效率高且具有可解释性，为 ALL 诊断提供了新工具。

  来源：Scientific Reports

  时间：2025-04-15

• 基于集成机器学习与可解释AI的疟疾诊断模型：提升准确性与临床决策透明度

  本研究针对疟疾诊断中传统机器学习模型"黑箱"特性导致的临床信任缺失问题，创新性地将随机森林(Random Forest)、CatBoost等集成学习模型与LIME、SHAP等可解释人工智能(XAI)技术结合，利用尼日利亚337例患者临床数据构建诊断系统。结果显示优化后的随机森林模型ROC AUC达0.869，通过特征重要性分析揭示头痛、可乐尿等关键预测因子，为资源受限地区提供兼具高精度和透明度的智能诊断方案，推动AI在热带病管理中的临床转化。

  来源：BMC Medical Informatics and Decision Making

  时间：2025-04-12

• 综述：数据驱动的组学整合算法与工具，实现多层生物学洞察

  本文聚焦 2018 - 2024 年组学整合研究，将整合策略分为统计、多元和机器学习 / 人工智能三类。探讨其在揭示分子机制、识别生物标志物等方面的应用，分析面临的挑战并展望未来，为深入理解多组学整合提供了全面视角，值得一读。

  来源：Journal of Translational Medicine

  时间：2025-04-11

• 基于 DenseNet 结合神经哈希的乳腺癌病理细粒度图像分类研究：助力精准诊断

  乳腺癌是全球常见癌症，手工病理图像分析耗时且易出错。研究人员开展基于 DenseNet 结合神经哈希用于乳腺癌病理细粒度图像分类的研究。在 BreakHis 数据集上评估，结果表明该方法比现有方法更有效，还可用 LIME 技术阐释，有助于提升计算机辅助诊断（CAD）性能。

  来源：Medical & Biological Engineering & Computing 2.6

  时间：2025-04-08

• 利用电活性脂质体包被金纳米颗粒破坏氧化还原平衡用于癌症治疗：开启癌症治疗新征程

  癌症治疗面临诸多难题，如手术创伤大、化疗需定制药物、放疗影响健康组织等。研究人员开展了以金纳米颗粒（Au NPs）为电子汇，结合电活性膜破坏癌细胞氧化还原平衡的研究。结果显示该方法能有效诱导癌细胞死亡，且大尺寸 Au NPs 效果更佳，为癌症治疗提供了新策略。

  来源：Nature Communications

  时间：2025-04-06

• 机器学习模型助力预测儿童连续性肾脏替代治疗中的透析中低血压，为临床诊疗带来新希望

  为探究透析中低血压（IDH）与住院死亡率的关系，以及透析机压力数据能否预测 IDH，研究人员开展了一项回顾性队列研究。结果显示，IDH 比例与死亡率显著相关，透析机压力参数可有效预测 IDH，这为儿童连续性肾脏替代治疗（CKRT）中 IDH 的诊疗提供了依据。

  来源：Pediatric Nephrology 2.6

  时间：2025-04-04

• 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

• 利用可解释人工智能改进机器学习模型预测埃塞俄比亚学龄前儿童饮食多样性水平的研究

  为解决埃塞俄比亚儿童营养问题，研究人员开展利用可解释人工智能（XAI）改进机器学习模型预测饮食多样性的研究，结果显示集成机器学习模型预测性能良好，该研究为相关政策制定等提供依据。

  来源：Italian Journal of Pediatrics 3.2

  时间：2025-03-25

知名企业招聘：