影像组学

AI医影跨模态组学

Sci. Adv.（IF=12.5）首都医科大学宣武医院卢洁等团队：一种用于预测乳腺癌新辅助化疗病理完全缓解的多模态全自动系统01文献信息本次分享的文献是由首都医科大学宣武医院卢洁等团队联合北京大学深圳医院、青岛大学附属医院、复旦大学附属肿瘤医院等多中心合作团队于2025年4月30日在《Science Advances》（中科院1区top，IF=12.5）上发表的研究”A multimodal and fully automated system for prediction of pathological complete response to neoadjuvant chemotherapy in breast cance

AI医影跨模态组学

Lancet Digital Health（IF=24.1）德国德累斯顿工业大学医学院：深度学习评估结直肠癌的基因型-表型相关性01文献信息本次分享的文献是由德国德累斯顿工业大学 Else Kröner-Fresenius 数字健康中心Jakob Nikolas Kather教授团队联合德国海德堡国家肿瘤疾病中心、奥地利维也纳医科大学、美国梅奥诊所、世界卫生组织国际癌症研究机构等10余家机构与2025年8月在柳叶刀子刊《Lancet Digital Health》（中科院1区，IF=24.1）上发表的研究“Assessing genotype−phenotype correlations in colorectal cancer

AI医影跨模态组学

Biomarker Res（IF=11.5）安徽医科大学第一医院：基于机器学习的放射组学模型：子宫内膜癌患者的预后预测及机制探索01文献信息本次分享的文献是由安徽医科大学第一附属医院联合美国宾夕法尼亚大学佩雷尔曼医学院、浙江大学第二医院、安徽阜南医院等多中心合作团队于2025年9月29日在《Biomarker Research》（IF=11.5，Q1）上发表的研究“Machine learning-based radiomics model: prognostic prediction and mechanism exploration in patients with endometrial cancer”即基于机器学习的影像组

AI医影跨模态组学

J Hepatol（IF=33.0）英国帝国理工学院：基于机器学习的影像组学模型在预测肝细胞癌免疫治疗结局中优于临床生物标志物01文献信息本次分享的文献的是由英国帝国理工Rohini Sharma肝癌免疫治疗与放射组学团队联合联合法国巴黎公立医院集团、意大利佛罗伦萨大学等国际中心的多学科团队于2025年10月在肝脏病学领域顶级期刊《Journal of Hepatology》（中科院1区，IF=33.0）上发表的研究“Machine learning based radiomic models outperform clinical biomarkers in predicting outcomes after immunoth

AI医影跨模态组学

Radiol Imaging Cancer 苏大一附属胡春红团队：基于MRI和HE的多模态深度学习模型预测肝细胞癌包裹性血管模式01文献信息本次分享的文献是由苏州大学第一附属医院胡春红团队联合唐山人民医院核医学科、苏州大学放射医学与防护学院、南通大学附属南通第三医院病理科/放射科等多中心团队在《Radiology: Imaging Cancer》（中科院2区，IF=6.3）上发表的研究“Deep Learning Radiopathomics Models Based on Contrast-enhanced MRI and Pathologic Imaging for Predicting Vessels Encapsulati

AI医影跨模态组学

如何将影像组学与病理组学特征与胃癌术后复发的“炎症‑耗竭”免疫机制建立关联，并解释其与患者预后及辅助化疗/免疫治疗响应的机制联系01导语近年来，影像组学（Radiomics）已经从“单纯做预测模型”的阶段，逐渐进入“强调生物学解释与机制验证”的新阶段。过去，大量影像组学研究往往停留在“特征提取—模型构建—AUC展示”的技术路径上，虽然能够取得较好的预测性能，却始终面临一个核心质疑：这些影像特征到底反映了什么生物学本质？也正因如此，越来越多顶级期刊开始不再满足于“预测准确”，而更关注模型是否能够揭示肿瘤异质性背后的分子机制、免疫状态以及肿瘤微环境变化。换句话说，未来真正有影响力的影像组学研究，核心竞争力已经不再只是算法，而是“机制解

AI医影跨模态组学

如何将多参数MRI影像组学特征与CMS4相关TGF-β/EMT/CAF机制建立关联，并进一步解释其与患者预后及治疗响应的机制联系01导语近年来，影像组学的发展已经逐渐从“做预测”进入“讲机制”的阶段。过去大量研究往往停留在模型性能层面，例如预测分期、复发或疗效，但始终面临一个核心质疑：影像特征究竟对应了什么生物学本质？为什么一组纹理参数能够反映肿瘤行为？也正因为缺乏机制支撑，传统影像组学常被认为是“黑箱模型”，难以真正获得临床与生物学层面的认可。而这篇发表于《Radiology》的研究，真正值得学习的地方，并不只是建立了一个术前预测CMS4的MRI影像组学模型，而是首次较为完整地构建了一条 “影像表型—肿瘤微环境—CAF激活—TG

AI医影跨模态组学

J Thorac Oncol（IF=20.8）广东省人民医院钟文昭教授团队：基于影像组学的支持向量机区分驱动肺腺癌进展的分子事件01文献信息本次分享的文献是由广东省人民医院肺癌研究所钟文昭教授团队联合华南理工大学医学院、广东省人民医院病理科、核医学科等多学科团队在2024年9月19日在《Journal of Thoracic Oncology》（中科院1区，IF=20.8）上发表的研究“Radiomics-Based Support Vector Machine Distinguishes Molecular Events Driving the Progression of Lung Adenocarcinoma”即基于影像组学

AI医影跨模态组学

Radiol Artif Intell 中山大学肿瘤防治中心放疗科：基于连续MRI的深度学习模型预测局部晚期鼻咽癌患者生存期01文献信息本次分享的文献是由中山大学肿瘤防治中心放疗科联合华南理工大学附属第六医院、南方医科大学和云南大学等机构在2025年2月发表在《Radiology: Artificial Intelligence》（中科院1区，IF=13.2）上的研究“A Serial MRI–based Deep Learning Model to Predict Survival in Patients with Locoregionally Advanced Nasopharyngeal Carcinoma”即基于连续M

AI医影跨模态组学

eClinMed 中国人民解放军总医院第五医学中心介入超声科：基于超声的可解释性机器学习模型用于≤3cm肝细胞癌分类的开发与验证01文献信息本次分享的文献是由中国人民解放军总医院第五医学中心介入超声科联合厦门大学附属翔安医院、南开大学医学院和福州市第一总医院超声科等55家医院在2025年2月在柳叶刀子刊《eClinicalMedicine》（中科院1区，IF=10.0）上的研究“Development and validation of an ultrasound-based interpretable machine learning model for the classification of ≤3 cm hepatocel

AI医影跨模态组学

EBioMedicine美国佐治亚理工学院与埃默里大学：基于深度学习的放射组学与病理学多模态融合预测HPV相关口咽鳞状细胞癌预后01文献信息本次分享的文献是由佐治亚理工学院和埃默里大学华莱士·H·库尔特生物医学工程系Anant Madabhushi教授团队联合美国克利夫兰医学中心、埃默里大学医院、爱荷华大学霍尔顿综合癌症中心、南京信息工程大学人工智能医学学院（中国）等12家机构2025年3月在柳叶刀子刊《eBioMedicine》（中科院1区，IF=10.8）上发表的研究“Deep learning informed multimodal fusion of radiology and pathology to predict o

AI医影跨模态组学

NPJ Precis Oncol 青岛大学附属医院放射科王鹤翔：基于CT的可解释深度学习模型预测膀胱癌患者总生存期的多中心研究01文献信息本次分享的文献是由青岛大学附属医院放射科王鹤翔、泌尿外科牛海涛联合广东省人民医院、中山大学附属第六医院和山东省立医院等团队近日（2025年8月16日）在《npj Precision Oncology》（中科院1区，IF=8.0）上发表的研究“An interpretable CT-based deep learning model for predicting overall survival in patients with bladder cancer: a multicenter stu

AI医影跨模态组学

eClinMed 遵义医科大学附属医院：肺癌术后肺部并发症可解释机器学习预测模型的开发与验证：一项机器学习研究01文献信息本次分享的文献是由遵义医科大学附属医院护理部和胸外科近日（2025年8月1日）在柳叶刀子刊《eClinicalMedicine》（中科院1区，IF=10.0）上发表的研究“Development and validation of an explainable machine learning model for predicting postoperative pulmonary complications after lung cancer surgery: a machine learn

AI医影跨模态组学

Radiology（IF=15.2）北京大学肿瘤医院影像科孙应实教授团队：CT预测微卫星不稳定性高结肠癌区域淋巴结转移01文献信息本次分享的文献是由北京大学肿瘤医院医学影像科孙应实教授等团队2025年4月在《Radiology》（中科院1区，IF=15.2）上发表的研究“Predicting Regional Lymph Node Metastases at CT in Microsatellite Instability–High Colon Cancer”即基于CT预测微卫星不稳定高（MSI-H）型结肠癌区域淋巴结转移，该研究为两中心回顾性研究，针对微卫星不稳定性高（MSI-H）结肠癌的传统CT淋巴结评估准确率低的问

AI医影跨模态组学

Int J Surg华中科技大学同济医学院附属协和医院：可解释机器学习模型预测胰腺癌早期复发：整合瘤内瘤周影像组学及身体成分分析01文献信息本次分享文献是由华中科技大学同济医学院附属协和医院放射科郑传胜教授团队联合广东省人民医院放射科、武汉科技大学附属老年医院放射科等多中心合作团队近日（2025年7月15日）在《International Journal of Surgery》（中科院2区，IF=10.1）上发表的研究“Interpretable Machine Learning Model for Predicting Early Recurrence of Pancreatic Cancer: Integrating Intr

AI医影跨模态组学

Eur Radiol 哈尔滨医科大学附属肿瘤医院王瑞涛团队：多模态深度学习探究肿瘤与内脏脂肪对结直肠癌隐匿性腹膜转移的影响01文献信息本次分享的文献是由哈尔滨医科大学附属肿瘤医院王瑞涛团队联合哈尔滨理工大学计算机学院、哈尔滨医科大学第一、第二附属医院等多家单位2025年2月在《European Radiology》（中科院2区，IF=4.7）上发表的研究“Multimodal deep learning: tumor and visceral fat impact on colorectal cancer occult peritoneal metastasis”即多模态深度学习：肿瘤和内脏脂肪对结直肠癌隐匿性腹膜转移的影响

AI医影跨模态组学

NPJ Precis Oncol（IF=8）南京医科大学第一附属医院放射肿瘤科等团队：整合MRI与ECV的放射组学模型提高高级别胶质瘤进展预测准确性01文献学习今天分享的文献是由南京医科大学第一附属医院放射肿瘤科等团队于2026年5月在肿瘤学顶刊《npj Precision Oncology》（中科院1区top，IF=8）上发表的研究“Radiomics model integrating MRI and ECV enhances prediction accuracy for progression in high-grade glioma”即整合MRI与ECV的放射组学模型提高高级别胶质瘤进展预测准确性，该研究构建了一种基于MobileNet混合

AI医影跨模态组学

J Adv Res（IF=13）南方医科大学南方医院等团队：基于多模态渐进融合 Transformer 的肝细胞癌患者免疫治疗反应预测模型01文献学习今天分享的文献是由南方医科大学南方医院等团队于2026年2月在《Journal of Advanced Research》（中科院1区top，IF=13）上发表的研究“Multi-modal gradual fusion transformer-based model for predicting immunotherapy response in patients with hepatocellular carcinoma”即基于多模态渐进融合变换器模型的肝细胞癌免疫治疗反应预测研究，该研究

AI医影跨模态组学

Lancet Digit Health（IF=24.1）广东省人民医院刘再毅&amp；南方医科大学南方医院梁莉等团队：基于可解释深度学习模型预测胶质瘤分子改变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、南方医科大学南方医院梁莉等团队于2026年5月11日在柳叶刀旗下数字健康领域顶刊《The Lancet Digital Health》（中科院1区top，IF=24.1）上发表的研究“Molecular alterations prediction in gliomas via an interpretable deep learning model: a multicentre and retrospective study”即基于可解释深度学习

AI医影跨模态组学

J Clin Oncol（IF=43.4）美国Cedars-Sinai医学中心等团队：基于计算组织学人工智能的晚期胰腺癌化疗选择预测性生物标志物的开发与验证01文献学习今天分享的文献是由美国Cedars-Sinai医学中心、Valar Labs、加拿大玛格丽特公主癌症中心等国际多机构团队于2026年2月在肿瘤学领域顶刊《Journal of Clinical Oncology》（中科院1区top，IF=43.4）上发表的研究“Development and Validation of a Computational Histology Artificial Intelligence-Powered Predictive Biomarker for Selec