的多模态深度学习模型，结合结直肠癌（CRC）患者的CT图像（肿瘤最大截面和L3水平内脏脂肪）与临床数据，用于预测隐匿性腹膜转移（PM）。，整合肿瘤影像特征、内脏脂肪指数（VATI）及临床数据，以提高CRC隐匿性PM的预测准确性。内部验证：比较“肿瘤+临床” vs “肿瘤+脂肪+临床”，脂肪模态修正了部分假阴性/假阳性。单肿瘤、单脂肪、肿瘤+脂肪、再加临床因子 → 性能逐步提升，最终AUC=0.94

研究团队基于627例来自多中心回顾性队列的患者数据，首先通过ICC、CCC等方法筛选稳定特征，分别构建了多个单模态模型（如瘤内、瘤周、亚区、DL2D/DL3D及临床模型），并在验证集上比较五种集成学习算法（RF、Ada、XGB、LGBM、EXT）的表现。：并行提取三类特征——放射组学特征（瘤内、栖息地、瘤周1/3/5mm）、深度学习特征（2D/3DResNet50）、临床特征（Table1筛选的独

无论患者年龄（≤60或>60岁）、性别、肿瘤大小、位置、T分期、N分期、M分期、TNM分期、组织学分级、Lauren分型、残留肿瘤状态、神经/血管侵犯、肿瘤标志物水平、HER2状态以及是否接受化疗，：在内部HMU-GC和外部TCGA-STAD数据集中，高TPRS组的总生存期显著劣于低TPRS组（均P<0.0001），证明TPRS能有效区分不同风险患者。的应用潜力，评估其能否有效识别可从辅助化疗中获

随后，他们在来自两个独立前瞻性研究（COMPASS试验和Know Your Tumor项目）的验证队列中，严格评估了该锁定生物标志物预测不同治疗方案疗效差异的能力，主要观察终点为至下次治疗或死亡时间（TNTD）和总生存期（OS），旨在为晚期PDAC的个体化治疗提供一个无需额外消耗组织样本、快速且有效的决策工具。：基于开发队列数据，对提取的特征进行重新加权，筛选与TNTD相关的核心特征，构建连续评分

评估ICL队列内部验证中，7种机器学习算法（行：逻辑回归、朴素贝叶斯、神经网络、随机森林、支持向量机、XGBoost、岭回归）与13种特征选择技术（列：LASSO、弹性网络、RFE、PCA、Boruta、Pearson/Spearman/Kendall相关、ANOVAF检验、方差阈值、前向选择、全特征集）的组合，对“12个月死亡率”的预测AUC值（颜色越深，AUC越高，性能越好）。小波特征（784

比较10种模型（aorsf、bart、Deepsurv、deephit、dnnsurv、GBM、glmnet、RSF、SVM、XGboost），筛选最优Radscore（影像组学评分）；组织免疫荧光检测FLT1与CD31（血管标志物）表达。：T2WI（提取肿瘤+瘤周5mmROI）、IVIM-DWI（ADC、D、D*、f值）、DCE-MRI（Ktrans、Kep、Ve、Vp值）；：时间依赖ROC（A

该系统创新性地整合了三类互补的信息维度：临床血清生物标志物、基于深度学习自动分割的影像组学特征，以及由多模态大语言模型提取的语义影像特征。研究首先通过改进的MedNeXt-loss框架实现肿瘤的自动、精准分割，并从Gd-EOB-DTPA增强MRI中提取高通量影像组学特征。：比较5种LLM（ChatGPT-4o、ChatGPT-5、Grok、Claude 4、Gemini 2.5），最终选用Chat

ROC曲线：MIFAPS在训练验证集（A，AUC=0.994）、内部测试集（B，AUC=0.932）、外部合并测试集（C，AUC=0.882）、前瞻性测试集（D，AUC=0.909）均显著优于MRI（0.813-0.969）、WSI（0.774-0.895）、临床单模态模型（0.653-0.840），且双模态模型（如MRI+WSI AUC=0.861）也不及MIFAPS。通过GSEA分析富集通路；

将全切片图像（WSI）分割为224×224像素的tiles（对应256×256μm组织区域），通过亮度阈值（≥224）和Canny边缘检测（边缘像素≤2%）剔除背景和模糊tiles；：与MSI高度共现，包括BRAF、BMPR2、ZNRF3、RNF43，AUROC较高（0.75-0.88），且超突变与该集群显著关联（关联规则支持度>0.8）。：多数研究仅针对单个标志物（如MSI、BRAF、KRAS）

传统统计模型（如QRISK3、SCORE2、ASCVD）虽广泛用于临床，但会将大量低风险人群误判为“高风险”，导致过度治疗（如英国30-79岁成人中约1/3被推荐治疗，但多数不会发生CVD事件）；：每个特征单元关联患者“年龄”和“医疗服务接触时间”，形成变长时序序列（如患者A的诊断记录按“2010年（50岁）-2012年（52岁）”排序）；：在窄年龄范围（40-69岁）中，TRisk的C指数（0.