7.18
医工学人
The Innovators
1. 肿瘤及癌症：npj precision oncology | 基于人工智能的新辅助化疗疗效预测模型：乳腺癌组织学图像的综合分析
2. 神经退行性疾病：Nature Communication | AI 引导的患者分层改善了 AMARANTH 阿尔茨海默病临床试验的结局和效率
3. 抑郁症及情绪障碍：Nature | 大脑如何从睡眠中醒来 — 并产生早晨的感觉
4. COPD及慢性呼吸疾病：Med. Image Anal. | 基于共形不变超弹性正则化的同胚医学图像配准
医工简报音频内容已在喜马拉雅、小宇宙等平台上线，欢迎订阅收听~
肿瘤及癌症
npj precision oncology | 基于人工智能的新辅助化疗疗效预测模型：乳腺癌组织学图像的综合分析
乳腺癌患者对新辅助治疗（NAT）的反应存在差异，因此需要可靠的预测生物标志物。为解决这一挑战，该研究开发了一种人工智能（AI）驱动的集成预测模型（IPM），结合了组织病理学、临床和免疫特征。通过分析来自四个中心1035例患者的全切片图像，比较了肿瘤上皮（TE评分）、间质（TS评分）和全肿瘤（TR评分）的深度学习生物标志物，确定TR评分为最优指标（AUC = 0.729，而TE/TS评分分别为0.686和0.719）。IPM整合了TR评分和临床变量，在预测NAT反应方面优于临床病理模型（验证集AUC = 0.780 vs. 0.706，p < 0.001），准确率提高了10%。免疫特征分析进一步提升了模型性能（AUC = 0.831 vs. 0.822，p = 0.183）。这些结果证实了TR评分在表征肿瘤-间质相互作用方面的生物学和临床有效性，IPM为精准肿瘤学提供了可推广的框架。模型在多中心队列中的稳定性（AUC 0.781–0.816）以及免疫数据的增量价值，表明其在指导NAT决策和试验分层中具有实用意义。
https://www.nature.com/articles/s41698-025-01033-1
神经退行性疾病
Nature Communication | AI 引导的患者分层改善了 AMARANTH 阿尔茨海默病临床试验的结局和效率
阿尔茨海默病 （AD） 药物的发现受到患者异质性以及缺乏精确分层的敏感工具的阻碍。该研究证明了强大且可解释的 AI 引导工具（预测预后模型，PPM）提高了患者分层的精度，改善了结果并减少了 AD 临床试验的样本量。BACE1 抑制剂 lanabecestat 的 AMARANTH 试验被认为是徒劳的，因为尽管减少了 β-淀粉样蛋白，但治疗并没有改变认知结果。使用 PPM，我们使用基线数据对患者进行精确重新分层，并展示显着的治疗效果;也就是说，在神经退行性变的早期阶段，缓慢进展的患者的认知能力下降减慢了 46%。相比之下，快速进展患者的认知结果没有表现出显着变化。该研究结果为 AI 引导的患者分层提供了证据，该分层比标准患者选择方法（例如 β-淀粉样蛋白阳性），并且具有提高未来 AD 试验效率和有效性的巨大潜力。
https://www.nature.com/articles/s41467-025-61355-3
抑郁症及情绪障碍
Nature | 大脑如何从睡眠中醒来 — 并产生早晨的感觉
7月17日，《自然》新闻栏目发表文章《How the brain wakes up from sleep — and produces that morning feeling》，报道了研究者如何详细揭示大脑从睡眠状态苏醒的机制——远非简单相反流程，而是从前额叶向后部有序激活的一波“觉醒浪”：
-
研究团队通过对20名受试者的256点头皮电图和1,000余次唤醒事件（包括自然醒与闹钟唤醒）分析发现，醒来的最先响应区域是掌管执行功能与决策的前脑；
-
随后觉醒信号沿大脑传播至视觉相关的后脑区域，从前到后的顺序模式与入睡过程完全不同；
-
这一有序醒来机制有望帮助预防“睡慵觉”（sleep inertia），即刚醒时迷糊不清的状态，并为提高醒后表现或应对轮班工作者的困倦提供新思路。
总的来说，这项研究为我们理解“早起感觉清醒”的神经基础提供了实时监测证据，表明清醒过程是一种由前及后的激活级联，而非简单的逆睡眠路径。
https://www.nature.com/articles/d41586-025-02225-2
COPD及慢性呼吸疾病
Med. Image Anal. | 基于共形不变超弹性正则化的同胚医学图像配准
现有基于深度学习的医学图像配准方法虽取得进展，但缺乏对拓扑保持形变（同胚变换）的理论保证，难以满足保留解剖结构的临床需求。7月17日，香港理工大学、剑桥大学等机构联合提出新型配准框架，通过创新的共形不变超弹性正则化器与坐标感知MLP实现高效、高保真的单次配准。该框架：1) 提出共形不变超弹性正则化器，融合超弹性理论与共形映射，统一控制形变的长度、面积、体积变化及畸变，严格保证形变场的同胚性，杜绝拓扑失真；2) 采用坐标感知的多层感知机 (MLP) 直接参数化形变映射，实现免预训练、免仿射预配准的端到端单次学习；3) 在肺部CT（COPD, 4DCT）等公共数据集上验证，其配准精度（TRE）、拓扑保持性及计算效率均显著优于当前最优方法。
https://doi.org/10.1016/j.media.2025.103712
END
内容 | 罗虎 张艳青 郝娅婷
编辑 | 吴苡齐
审核 | 刘帅 罗虎
扫码添加医工学人负责人微信，进入综合及细分领域群聊（国内外医工交叉领域顶尖高校、科研院所、医院、企业等专家学者、硕博士、工程师、企业家等），参与线上线下交流活动
推荐阅读
点击关注医工学人
本篇文章来源于微信公众号: 医工学人
