医学影像

AI医影跨模态组学

Research（IF=10.9）南方医科大学珠江医院汪洋教授等团队：深度学习在脊柱MRI诊断中的应用：AI辅助与人工的多中心对比研究01文献学习今天分享的文献是由南方医科大学珠江医院汪洋教授团队联合浙江大学附属第一医院、南方医科大学南方医院、广东省人民医院等团队于2026年2月19日在《Research》（中科院1区top，IF=10.9）上发表的研究“Clinical Application of Deep Learning for Spine MRI Interpretation——A Multicenter Evaluation of Artificial-Intelligence-Assisted versus Manual

AI医影跨模态组学

（综述）Annu Rev Biomed Eng（IF=9.6）上海科技大学沈定刚教授等团队：放射组学++：用于解码肿瘤异质性的生境影像分析综述01综述分享今天分享的综述文章是由上海科技大学沈定刚教授等团队于2026年1月在《Annual Review of Biomedical Engineering》（中科院1区top，IF=9.6）上发表的研究“Radiomics++: Review of Habitat Imaging Analysis for Decoding Tumor Heterogeneity”即放射组学++：用于解码肿瘤异质性的生境影像分析综述，本综述系统性地提出了“放射组学++ (Radiomics++)”的概念，即基于人工智

AI医影跨模态组学

Radiology子刊暨南大学附属第一医院等团队：基于肿瘤和内脏脂肪组织CT特征的深度学习模型用于预测浆膜浸润性胃癌根治术后腹膜转移风险01文献学习今天分享的文献是由暨南大学附属第一医院张水兴教授团队于2026年4月24日在《Radiology: Imaging Cancer》（中科院2区，IF=6.3）上发表的研究“Deep Learning Model Based on Tumor and Visceral Adipose Tissue CT Features for Predicting Peritoneal Metastasis Risk after Radical Gastrectomy in Serosa-Invasive G

AI医影跨模态组学

Ann Oncol（IF=65.4）广东省人民医院放射科刘再毅&阿里巴巴达摩院等团队：基于非增强CT与深度学习的结直肠癌检测01文献学习今天分享的文献是由广东省人民医院放射科刘再毅教授、阿里巴巴达摩院等团队于2026年4月21日在肿瘤学领域顶刊《Annals of Oncology》（中科院1区top，IF=65.4）上发表的研究“Colorectal cancer detection using non-contrast CT and deep learning: a multicenter and international cohort study”即基于非增强CT与深度学习的结直肠癌检测：一项多中心国际队列研究，该研究

AI医影跨模态组学

Nature Reviews Cancer（IF=66.8）澳门科技大学张康教授等团队：人工智能推动多组学与临床数据整合在基础和转化癌症研究中的进展01文献学习今天分享的文献是由澳门科技大学、中国医学科学院肿瘤医院张康教授等团队于2026年4月21日在肿瘤学领域顶尖综述期刊《Nature Reviews Cancer》（中科院1区top，IF=66.8）上发表的研究“Advancing AI for multi-omics and clinical data integration in basic and translational cancer research”即人工智能推动多组学与临床数据整合在基础和转化癌症研究中的进展，该综述系统阐述了人工

AI医影跨模态组学

如何将影像组学特征与肿瘤免疫微环境中的关键信号通路及免疫细胞浸润建立关联，并进一步解释其与胃癌术后复发、预后的机制联系01导语各位同学，大家好。现在做影像组学，如果还只停留在“提取特征—建个模型—算个AUC”，那就有点像算命算得挺准，但为啥准，自己也说不明白。别人一问：你这特征到底代表啥？背后有啥道理？瞬间就成了黑箱本箱。而真正能打高分、站得住脚的研究，都在干一件事——给影像组学找“生物学娘家”，让宏观图像和微观病理、细胞、基因、通路对上话。今天咱们就通过一篇最新文献，看看人家是怎么把CT影像特征与肿瘤免疫微环境中的IL6/JAK/STAT3通路、干扰素应答、T细胞浸润直接挂钩，不仅预测胃癌术后复发，还能解释为什么低风险

AI医影跨模态组学

如何将机器学习模型评分与肿瘤微环境中的去乙酰化修饰及免疫细胞组成建立关联，并进一步解释其与NSCLC免疫治疗预后的机制联系01导语各位同学，大家好。现在做影像组学，如果还只停留在“提取特征—建个模型—算个AUC”，那就有点像算命算得挺准，但为啥准，自己也说不明白。别人一问：你这特征到底代表啥？背后有啥道理？瞬间就成了黑箱本箱。而今天解读的这篇文献，虽然核心用的是转录组数据，但它展示了一套教科书级别的“机制挂靠”范式：从随机森林模型LIRA出发，一路追到HDAC4去乙酰化通路、LRP8-APOE免疫抑制信号轴，再用单细胞验证Treg和恶性细胞占比，最后用深度学习病理热图锁定淋巴细胞 vs. 肿瘤+成纤维细胞的组织学差异。这告诉

AI医影跨模态组学

如何将CT影像组学与深度学习特征与肝细胞癌的缺氧-免疫抑制-代谢重编程恶性微环境关联，进一步解释与TACE预后及肿瘤生物学行为的机制联系01导语各位同学，大家好。现在做影像组学，如果还只停留在“提取特征—建个模型—算个AUC”，那就有点像算命算得挺准，但为啥准，自己也说不明白。别人一问：你这特征到底代表啥？背后有啥道理？瞬间就成了黑箱本箱。而真正能打高分、站得住脚的研究，都在干一件事——给影像组学找“生物学娘家”，让宏观图像和微观病理、细胞、基因、通路对上话。今天咱们就通过这篇Gut文献，看看人家是怎么把 CT影像风险评分一路挂靠到缺氧‑免疫抑制‑代谢重编程这个恶性闭环上的。你会发现：模型关注的肿瘤‑正常界面（invasive fron

AI医影跨模态组学

如何将深度学习MRI表型与iCCA淋巴结转移的生物学机制（KRAS突变、MUC5AC、免疫抑制微环境、大导管亚型）关联，并解释其对治疗响应的意义01导语各位同学，大家好。现在做影像组学，如果还只停留在“提取特征—建个模型—算个AUC”，那就有点像算命算得挺准，但为啥准，自己也说不明白。别人一问：你这特征到底代表啥？背后有啥道理？瞬间就成了黑箱本箱。而真正能打高分、站得住脚的研究，都在干一件事——给影像组学找“生物学娘家”，让宏观图像和微观病理、细胞、基因、通路对上话。今天咱们就通过这篇文献，看看作者是如何把深度学习输出的一个“SwinU评分”，一步步挂靠到KRAS突变、MUC5AC过表达、免疫抑制性基质微环境、大导管型组织学亚型上，最终还解释了为

AI医影跨模态组学

Eur Radiol（IF=4.7）南方医科大学第八附属医院放射科胡秋根等团队：基于CT影像组学的肝内胆管癌微血管侵犯术前预测模型辅助临床手术决策01文献学习今天分享的文献是由南方医科大学第八附属医院放射科胡秋根教授等团队于2025年8月在《European Radiology》（中科院2区，IF=4.7）上发表的研究”Preoperative prediction model of microvascular invasion in intrahepatic cholangiocarcinoma patients based on CT radiomics can assist clinical surgical decision-making:

AI医影跨模态组学

如何将深度学习MTSR与膀胱癌ITGB8/TGF-β/WNT机制建立关联，并进一步解释其与患者预后及肿瘤侵袭、免疫抑制的生物学联系01导语各位同学，大家好。现在做影像组学，如果还只停留在“提取特征—建个模型—算个AUC”，那就像拿着一把尺子量出了肿瘤大小，却说不出它为什么长得快。别人一问：你的影像特征到底对应什么生物学过程？背后有没有通路、细胞亚群、关键基因在撑腰？瞬间就成了黑箱本箱。而真正能发高分、经得起推敲的研究，都在干同一件事——给影像组学找“生物学娘家”，让MRI上的每个纹理、每个信号异质性，都能和微观的ECM重塑、TGF‑β信号、ITGB8高表达亚群对上话。今天咱们就通过这篇2026年发表于《Research》的膀胱癌论文

AI医影跨模态组学

Cancer Letters（IF=10.1）中科院自动化研究所田捷等团队：整合纵向MRI与活检全切片图像用于乳腺癌新辅助治疗反应的早期预测及个体化管理01文献学习今天分享的文献是由中国科学院自动化研究所田捷、刘振宇团队联合广东省人民医院乳腺肿瘤科王坤、中国医科大学附属第四医院放射科张立娜等团队于2026年4月13日在《Cancer Letters》（中科院1区top，IF=10.1）上发表的研究“Integration of longitudinal MRI and biopsy whole slide images for early prediction of neoadjuvant therapy response and personalize

AI医影跨模态组学

Eur Radiol（IF=4.7）山西医科大学第一医院核磁影像科王效春等团队：基于Transformer增强型卷积神经网络的多中心MRI评估膀胱癌肌层浸润01文献学习今天分享的文献是由山西医科大学第一医院核磁影像科王效春教授等团队于2026年4月4日在《European Radiology》（中科院2区，IF=4.7）上发表的研究“Application of transformer-enhanced convolutional neural network: multicenter MRI assessment of muscle invasion in bladder cancer”即基于Transformer增强型卷积神经网络的多中心MRI评估膀胱癌

AI医影跨模态组学

PLOS Medicine 中山大学肿瘤防治中心蔡木炎等团队：基于多视角深度学习的组织病理学分析用于II期结直肠癌的预后与治疗分层01文献学习今天分享的文献是由中山大学肿瘤防治中心蔡木炎团队联合中山大学计算机科学与工程学院、天津医科大学肿瘤医院、中山大学附属第六医院等多中心团队于2026年1月13日在《PLOS Medicine》（中科院1区top,IF=9.9）上发表的研究“Multiview deep-learning-enabled histopathology for prognostic and therapeutic stratification in stage II colorectal cancer: A retr

AI医影跨模态组学

如何通过MRI识别的系膜筋膜侵犯类型关联局部晚期直肠癌的免疫微环境及肿瘤增殖活性，并进一步解释其与预后不良的机制联系01导语各位同学，大家好。今天咱们通过一篇最新文献，看看影像组学（或者说结构化影像表型）如何优雅地挂靠生物学机制。这篇研究没有堆砌上千个组学特征，而是聚焦于MRI上清晰可辨的四种系膜筋膜侵犯类型：肿瘤直接侵犯、淋巴结转移、肿瘤沉积和壁外血管侵犯。作者先比较预后，发现只有肿瘤沉积和壁外血管侵犯导致的MRF阳性才真正预示预后差；接着追问：为什么？于是从机制入手，发现壁外血管侵犯组表现为低肿瘤突变负荷和CD8+T细胞浸润减少（免疫冷肿瘤），而肿瘤沉积组表现为Ki-67高表达（高增殖活性）。这样一来，影像特征就有

通过知识整合重新审视医学图像检索1、有开源代码：Nandayang/Revisiting-Medical-Image-Retrieval-via-Knowledge-Consolidation: This is the official codes for Anomaly-aware Content-based Image Recommendation (ACIR)

AI医影跨模态组学

Radiology: Imaging Cancer 北京大学人民医院洪楠等团队：基于髋骨参考框架的非增强CT自动骶骨肿瘤分类流程评估01文献学习今天分享的是由北京大学人民医院洪楠团队联合山西人民医院放射科等团队于2026年1月8日在《Radiology: Imaging Cancer》（中科院2区，IF=6.3）上发表的研究“Assessing an Automated Noncontrast CT–based Pipeline for Sacral Tumor Classification Using a Hip Bone Reference Frame”即基于髋骨参考框架的非增强CT自动骶骨肿瘤分类流程评估，本研究开发了一种全自动

AI医影跨模态组学

云南省肿瘤医院李振辉&广东省人民医院等团队：免疫表型引导的可解释放射组学模型预测III–IV期d-MMR/MSI-H结直肠癌新辅助抗PD-1治疗反应01文献学习今天分享的文献是由云南省肿瘤医院李振辉团队联合广东省人民医院、广州医科大学附属肿瘤医院等多家团队于2025年8月在肿瘤免疫领域顶刊《Journal for ImmunoTherapy of Cancer》（中科院1区top，IF14.1）上发表的研究“Immunophenotype-guided interpretable radiomics model for predicting neoadjuvant anti-PD-1 response in stage III–IV d-MMR/MS

AI医影跨模态组学

NPJ Precis Oncol 安徽医科大学第一附属医院超声科张超学等团队：多模态深度学习方法用于R0切除卵巢癌的生存预测与风险分层01文献学习今天分享的文献是由安徽医科大学第一附属医院超声科张超学等团队于2026年1月10日在肿瘤学领域顶刊《npj Precision Oncology》（中科院1区，IF=8）上发表的研究“Survival prediction and risk stratification in R0-resected ovarian cancer: a multi-modal deep learning approach”即R0切除卵巢癌的生存预测与风险分层：一种多模态深度学习方法，该研究开发了一个名为Ovca

强盛小灵通专卖员

基于深度学习的急性阑尾炎CT 影像诊断CT影像+深度学习，阑尾炎诊断新突破！🔬宝子们！📢 科研路上还在为实验数据和模型发愁吗？看过来！👇 我们专注于急性阑尾炎CT影像的深度学习诊断研究！不仅仅是发文，更是实实在在的技术硬核成果！💪