医学

AI医影跨模态组学

NPJ Precis Oncol（IF=8）中国科学院深圳先进技术研究院吴红艳教授等团队：深度可解释放射基因组学解析乳腺MRI肿瘤微环境01文献学习今天分享的文献是由中国科学院深圳先进技术研究院吴红艳教授等团队于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“Deep interpretable radiogenomic workflow deciphers tumor microenvironment from breast MRI and identifies clinician-interpretable biomarkers”即深度可解释放射基因组学工作流程：通

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

AI医影跨模态组学

Cancer Letters（IF=10.1）中山大学附属第六医院等团队：基于治疗前MRI影像的RCMIX模型预测MRI定义的cT4期直肠癌T分期下降01文献学习今天分享的文献是由中山大学附属第六医院联合中山大学肿瘤防治中心、四川大学华西医院等团队于2025年9月在《Cancer Letters》（中科院1区top，IF=10.1）上发表的研究“RCMIX model based on pre-treatment MRI imaging predicts T-downstage in MRI-cT4 stage rectal cancer”即基于治疗前MRI影像的RCMIX模型预测MRI定义的cT4期直肠癌T分期下降，该研究基于多中心回顾性数据，构建并

AI医影跨模态组学

Insights Imaging（IF=4.5）郑州大学第一附属医院高剑波等团队：基于CT的影像组学预测不可切除胃癌PD-1/PD-L1抑制剂联合化疗治疗反应01文献学习今天分享的文献是由郑州大学第一附属医院高剑波教授等团队于2026年3月12日在《Insights into Imaging》（中科院2区，IF=4.5）上发表的研究“CT-based radiomics for predicting the treatment response to PD-1/PD-L1 inhibitors combined with chemotherapy in unresectable gastric cancer”即基于CT的影像组学预测不可切除胃癌PD-1/PD-

AI医影跨模态组学

Eur Radiol（IF=4.7）哈尔滨医科大学肿瘤医院等团队：基于大语言模型和Gd-EOB-DTPA增强MRI的术后肝细胞癌风险分层系统01文献学习今天分享的文献是由哈尔滨医科大学肿瘤医院等团队于2026年2月在《European Radiology》（中科院2区，IF=4.7）上发表的研究“Large language model and Gd-EOB-DTPA-enhanced MRI-based risk stratification system for postoperative hepatocellular carcinoma: a multicenter study”即基于大语言模型和Gd-EOB-DTPA增强MRI的术后肝

AI医影跨模态组学

Radiology（IF=15.2）中南大学湘雅二医院肖煜东教授等团队：基于CT放射组学的机器学习识别肝细胞癌瘤内纤维化及其潜在血管生成01文献学习今天分享的文献是由中南大学湘雅二医院肖煜东教授等团队于2026年5月在放射学领域顶刊《Radiology》（中科院1区top，IF=15.2）上发表的研究“CT Radiomics-based Machine Learning to Identify Intratumoral Fibrosis and Underlying Angiogenesis in Hepatocellular Carcinoma”即基于CT放射组学的机器学习识别肝细胞癌瘤内纤维化及其潜在血管生成，该研究开发并验证了一种

AI医影跨模态组学

Eur Radiol 温州医科大学第五附属医院等团队：开发与解释基于双能量CT的深度学习放射组学模型，用于预测颈动脉支架后新出现的脑缺血病灶01文献学习今天分享的文献是由温州医科大学第五附属医院等团队于2026年2月《European Radiology》（中科院2区，IF=4.7）上发表的研究“Development and interpretation of a dual-energy CT-based deep learning radiomics model for predicting new cerebral ischemic lesions after carotid artery stenting: a multicenter

AI医影跨模态组学

Sci Bull（IF=21.1）广东省人民医院放射科刘再毅等团队：放射组学、RNA与临床病理表型的整合分析揭示结直肠癌预后风险分层的生物学基础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等团队于2024年10月在《Science Bulletin》（中科院1区top，IF=21.1）上发表的研究“Integrated analysis of radiomics, RNA, and clinicopathologic phenotype reveals biological basis of prognostic risk stratification in colorectal cancer”即放射组学、RNA与临床病理表型的整合分

AI医影跨模态组学

BMC Med（IF=8.3）四川大学华西医院田蓉等团队：基于混合专家模型的可解释多模态PET-CT-EHR融合用于套细胞淋巴瘤预后分层01文献学习今天分享的文献是由四川大学华西医院田蓉等团队于2026年4月16日在《BMC Medicine》（中科院1区top，IF=8.3）上发表的研究“Interpretable multimodal PET/CT-EHR fusion via mixture-of-experts for prognostic stratification in mantle cell lymphoma: a multicenter study”即基于混合专家模型的可解释多模态PET/CT-EHR融合在套细胞淋巴瘤预

AI医影跨模态组学

如何将影像组学与计算病理特征关联肿瘤微环境“反应/荒漠”基质表型建立关联，并进一步解释其与胰腺癌术后早期复发及ECM重塑的机制联系01导语各位同学，大家好。做影像组学最怕的是什么？是模型精度刷到0.99，但一问“为什么能预测”就哑口无言——特征到底对应什么生物学过程？细胞、基质、还是血管？完全说不清。今天咱们通过一篇发表于Advanced Science的胰腺癌研究，看它如何把影像组学和计算病理特征，与肿瘤微环境中“反应主导型”基质表型及ECM重塑挂上钩，不仅预测早期复发，还能用单细胞和空间转录组讲清楚“谁在驱动、通路上哪变、细胞间怎么沉默”。这篇文章提供了一个可复制的范式：从预测模型→机制验证→病理解释，让影像组学从“黑箱算命”变

AI医影跨模态组学

NPJ Precis Oncol（IF=8）哈尔滨医科大学附属肿瘤医院韩鹏等团队：一种可解释的深度学习生物标志物用于胃癌预后评估及辅助化疗获益预测01文献学习今天分享的文献是由哈尔滨医科大学附属肿瘤医院韩鹏教授等团队于2026年5月7日在肿瘤学领域顶刊《npj Precision Oncology》（中科院1区top，IF=8）上发表的研究“An interpretable deep learning biomarker for prognostication and prediction of adjuvant chemotherapy benefit in gastric cancer”即一种可解释的深度学习生物标志物用于胃癌预后评估及辅助化疗

AI医影跨模态组学

（综述）J Transl Med 浙江大学医学院附属第二医院等团队：放射组学在胶质母细胞瘤复发中的应用：预测、定位及与治疗相关效应鉴别的进展01文献学习今天分享的文献是由浙江大学医学院附属第二医院等团队于2026年3月在《Journal of Translational Medicine》（中科院2区，IF=7.5）上发表的研究“Radiomics in glioblastoma recurrence: advances in prediction, localization, and differentiation from treatment-related effects”即放射组学在胶质母细胞瘤复发中的应用：复发预测、定位及与治疗相关

AI医影跨模态组学

如何将CT影像语义特征与肝癌术后辅助TACE获益相关的免疫抑制性肿瘤微环境建立关联，并进一步解释其与预后、PA-TACE治疗响应的机制联系01导语各位同学，大家好。影像组学发展到现在，如果还停留在“提取一堆特征、套几个模型、比一比C-index”，那只能说你会算命，但不会看病。别人一问：你这个特征为什么选进来？它跟肿瘤的恶性行为有什么关系？凭什么就能指导治疗？——你大概率只能沉默。真正能发高分的影像组学研究，都在做同一件事：给影像特征找个“生物学户口”，让CT上的灰度差异，能对应到细胞、通路、微环境的真实变化上。今天我们就用这篇25年发表的肝癌PA-TACE预测研究，拆解一下如何不硬凑、不牵强、有理有据地把影像表型挂靠到免疫抑制微环境，让你

AI医影跨模态组学

如何将纵向MRI深度学习特征与局部晚期直肠癌新辅助放化疗后的免疫微环境建立关联，并解释其对pCR及预后的机制01导语各位同学，大家好。做影像组学最怕什么？模型AUC刷得飞起，但一问“为什么这个特征能预测疗效”，当场哑火——这就像算命先生掐指一算挺准，但你要问他凭什么，他只能说“天机不可泄露”。真正能发高分、经得起推敲的研究，早就不是单纯比谁AUC高了，而是想方设法给影像特征找个“生物学娘家”，让MRI上的明暗变化，能跟细胞、通路、免疫微环境对上话。今天咱们通过这篇MR‑DELTAnet文献，看看人家是怎么用纵向MRI预测病理完全缓解，再靠单细胞测序把“高分/低分”背后的免疫故事讲圆的。看完你就明白：影像组学挂靠

AI医影跨模态组学

如何将多模态MRI影像特征与脑膜瘤细胞增殖标志物Ki-67建立关联，并进一步解释其与肿瘤生长速率、无进展生存期的机制联系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脑膜瘤Ki-67预测文献，看看作者如何把多模态MRI特征与细胞增殖活性挂上钩，再用肿瘤真实生长数据把故事讲圆。从水肿、坏死这些影像征象，一路追到缺氧微环境、VEGF

AI医影跨模态组学

如何将淋巴结影像组学特征与肿瘤血管异质性及缺氧微环境建立关联，并进一步解释其与晚期胆道癌免疫治疗响应及预后的机制联系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。今天咱们就通过这篇最新文献，看看作者如何不选原发灶、专挑淋巴结，把纹理异质性和形状规则度这些影像表型，一步步挂靠到肿瘤血管异常、缺氧微环境、免疫抑制这条机制链上。从“淋巴结为啥圆一点

AI医影跨模态组学

如何通过影像组学模型无创预测三阴性乳腺癌中的三级淋巴结构（TLSs），并借助病理组学揭示其与治疗响应、预后及细胞侵袭性表型的机制联系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发表在npj Precision Oncology上的文献，看看人家是怎么从DCE-MRI影像出发，无创预测三阴性乳腺癌中的三级淋巴结构（TLSs），再借助病理组学

AI医影跨模态组学

如何将纵向CT影像组学特征与局部晚期胃癌化疗时空异质性及耐药演化建立关联，并进一步解释其与化疗响应、淋巴结转移及生存预后的机制联系01导语各位同学，大家好。做影像组学最怕的就是模型精度高但讲不清道理——别人一问“你这个特征到底代表肿瘤的什么生物学行为？”瞬间就变成了黑箱。今天这篇文献给我们打了个样：它用纵向CT影像捕捉胃癌新辅助化疗后的肿瘤时空异质性，通过多任务学习强制关联淋巴结转移和总生存期的共享通路，再借助Grad‑CAM可视化把模型注意力直接映射到化疗前/后的肿瘤区域，从而推断耐药克隆演化和化疗响应程度。这就不是单纯的“算个AUC”，而是给影像特征找到了“生物学娘家”。咱们一起来拆解它的巧妙之处。