医学

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

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

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

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

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