Amultitask deep learning model utilizing electrocardiograms for major cardiovascular adverse events prediction ( npj Digital Medicine 2025)
论文链接：https://www.nature.com/articles/s41746-024-01410-3
核心目标：
通过12导联ECG信号同时预测四种不良事件------心力衰竭(HF), 心肌梗死(MI), 缺血性卒中(IS), 全因死亡(Mortality)。
网络架构：
ECG-MACE 基于ResNet-18，提取特征，输入到四个全连接子网络中，softmax层作为最终输出层
损失函数：
不确定性加权损失函数 -> 根据单任务不确定性调整权重
Focal Loss -> 解决类别不平衡问题，容易划分的类别减小权重
Multimodal deep learning fusion of ultrafast-DCE MRI and clinical information for breast lesion classification (Computers in Biology and Medicine 2025) （二区）
论文链接：https://www.sciencedirect.com/science/article/pii/S001048252500071X
核心目标：
提出一个新型的深度学习模型------多模态筛选Transformer（Multimodal Sieve Transformer, MMST-V），用于结合磁共振成像（UF-DCE MRI）、病灶特征和临床信息，以提升乳腺病灶分类的准确性。
具体步骤：
成像经 3D ViT、非影像经 MLP（先 one-hot）→ 得到三种 token → Sieve Transformer 生成共享/独有 token → 全部 concat → Fusion Transformer → cls → 一次 MLP 完成最终三分类（良性 / 恶性 / 淋巴结）。
A Bayesian Network model of pregnancy outcomes for England and Wales (Computers in Biology and Medicine 2025) （二区）
论文链接：https://www.sciencedirect.com/science/article/pii/S0010482525003774
挑战：
传统妊娠结局模型只针对单一结局或者多种结局的二分类问题
核心目标：
通过贝叶斯网络预测多种妊娠结局（孕妇死产风险、新生儿死亡、胎儿生长异常等）
整体流程：
- 专家访谈：由助产士和产科专家构建"护理路径图"（caremaps）
把某一疾病从入院→检查→诊断→治疗→护理→出院的全部关键环节按时间轴展开，形成一张可视化、标准化的路线图【获取因果关系】 - 数据收集：使用公开、隐私保护的国家统计数据
- 文献综述：对齐2021年英国本地研究【风险因素、因果关系、基准概率】
- 模型开发：用"医学惯用语"（medical idioms）构建BN结构【降低专家负担】
- 数据准备：离散化变量（如BMI、孕周），构建概率表
- 模型验证：采用"面效度 + 内容效度 + 并发效度"三重验证【临床专家把关+文献综述补漏+对比实验】