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.

文献信息本次分享的文献是由上海科技大学钱学军团队联合安徽医科大学第一附属医院、南京医科大学附属南京医院、复旦大学附属肿瘤医院、宣城人民医院、阜阳肿瘤医院等多中心医疗机构于2024年10月在Nature子刊》（中科院1区top，IF=26.6）上发表的研究“A multimodal machine learning model for the stratification of breast can

a/b显示P(Aβ)与Aβ PET centiloid（r=0.58）、P(τ)与meta-τ SUVr（r=0.59）均显著正相关，且与认知障碍（ADAS-Cog13）同步加重；解决“tau阳性样本少”的类别不平衡问题——对难分类样本（如tau阳性）赋予高权重，对易分类样本（如健康人）赋予低权重，公式中通过α（类别平衡参数）和γ（聚焦参数，设为2）调节；：首次同时预测Aβ和tau状态，捕捉二者在

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

纳入269例未接受治疗的局部晚期ESCC患者（训练集n=144、验证集n=62、外部测试集n=63），基于基线PET/CT影像，开发整合“栖息地放射组学+2.5D深度学习（多实例学习MIL）+临床变量”的多模态框架，用于预测患者接受新辅助化疗免疫治疗（NACI）后的病理完全缓解（pCR）和总生存期（OS）。：展示训练（A-C）、验证（D-F）、测试（G-I）队列中，栖息地、MIL、联合模型的高/低

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

预测VETC用AUC、准确率、敏感度、特异度；：从分割结果中提取628个手工病理组学特征，含强度、形状、大小、纹理4类，细分细胞核（175个）、细胞质（175个）、细胞（175个）、纹理（103个）特征。：首次结合钆塞酸二钠增强MRI（宏观影像）和HE病理图像（微观特征），构建“影像-病理”联合的DL模型，实现VETC和预后的双重预测，弥补单一模态的信息局限；：71岁女性HCC患者，展示其轴向动脉

展示逻辑回归（LR）、K近邻（KNN）、随机森林（RF）、极端梯度提升（XGBoost）、支持向量机（SVM）5种模型在测试集（图2B）和外部验证集（图2C）的性能。：直肠癌是全球常见恶性肿瘤，尽管筛查、手术及辅助治疗进展显著，但淋巴结转移患者的死亡率仍居高不下，侧方盆腔淋巴结（尤其是髂内、闭孔淋巴结）转移是影响疾病进展、预后及治疗决策的关键因素。：红色代表高特征值、蓝色代表低特征值，高淋巴结短轴