利用 Venn-Abers 预测器在无标签条件下估计选择性分类器的准确率
该研究提出用 Venn-Abers 预测器在无真实标签时估计选择性分类器的性能，给出校准的区间估计与实用下界，用于量化不确定预测转人工复核时分类器的可靠程度。
#医学 AI
PatternsAI 评分3838
Medical XpressAI 评分4242 悉尼科技大学团队开发 AI 工具，用 transformer 模型提升缺血性卒中遗传风险预测
悉尼科技大学（UTS）团队开发了一款基于 transformer 的 AI 模型，通过分析 DNA 中遗传变异的位置与相互作用来预测缺血性卒中风险，在 UK Biobank 和美国 All-of-us 数据库上比既往遗传风险工具更准确。
Medical XpressAI 评分5858 EpiPred 模型可识别 STXBP1 相关癫痫致病错义变异
美国西北大学医学院等机构开发出基因特异性机器学习模型 EpiPred，用于预测 STXBP1 错义变异是否致病，相关研究发表于 Journal of Clinical Investigation。
Bluesky：Victor Javier (@vjsanchez.bsky.social)AI 评分5858 NeoBridge 在 Cell Genomics 发表，用机器学习为新抗原优先级排序
NeoBridge 是一个结合生物物理信息的机器学习集成工具，用于按触发免疫应答的可能性为新抗原排序，作者称其可用于胰腺癌（PDAC）这类优质靶点稀缺的场景。论文还报告克隆架构携带预后信息，其中亚克隆新抗原负荷而非克隆负荷与预后相关，代码已开放。该工作由 Lana Mediavilla 等人在 Cell Genomics 发表。
Cell GenomicsAI 评分5555 NeoBridge 发布：结合生物物理特征与克隆结构为胰腺癌新抗原排序
Lana Mediavilla 等提出 NeoBridge，一个结合生物物理信息的机器学习集成方法，用于优先排序免疫原性新抗原。在胰腺癌中，亚克隆新抗原负荷而非克隆新抗原负荷与更差的生存相关，提示克隆结构应纳入疫苗靶点选择。
Nature Machine Intelligence精选AI 评分8282 AMIFound 统一 7 种医学影像的修复与增强
Cao 等人提出一体化基础模型 AMIFound，用于 CT、MRI、PET、内镜、超声、眼底成像和 X 射线 7 种医学影像的增强与修复。模型在 376 万对高质量与退化图像上训练和评估，覆盖 7 类代表性退化模式；共享编码器提取模态与退化线索，动态路由的专家修复池为每个输入选择增强路径。在 7 种模态上，AMIFound 在全参考图像质量指标、临床医生评估、组合退化鲁棒性测试以及自然退化临床图像上均优于 38 个任务专用与通用基线。增强后的图像还改善了 44 项疾病检测任务、肿瘤分期预测和非小细胞肺癌生存风险分层，包括个体层面的预后排序。
推荐理由：该模型用 376 万对图像统一处理 7 种医学影像的退化修复，并检验增强后对下游诊断任务的影响。
Google Research BlogAI 评分6262 Google Earth AI 的 PDFM 地理空间基础模型在五类公共卫生任务中完成独立评估
Google Research 以 Google Earth AI 的 Population Dynamics Foundation Model（PDFM）为概念验证，展示无需任务微调的位置嵌入可直接接入现有流行病学模型。
Nature Biotechnology精选AI 评分7272 Visionary AI 用视网膜图像与血管建模预测妊娠期高血压疾病
研究团队提出可解释人工智能平台 Visionary AI，将视网膜图像与基于图的血管建模结合，在临床发病前预测妊娠期高血压疾病。该平台把视网膜图像转换为微血管结构的拓扑与几何表示，依据有生物学基础的血管特征而非通用图像嵌入或临床变量进行风险预测。在 1,267 例妊娠的前瞻性开发队列中，Visionary AI 对子痫前期在全人群对照设置下取得 AUC = 0.91、AP = 0.81；经稳定性优化的模型无需重新训练即迁移至独立外部验证队列，取得 AUC = 0.81、AP = 0.68，并优于临床与深度学习基准。
推荐理由：该框架把视网膜微血管拓扑与几何特征用于妊娠高血压疾病的早期预测，并在独立外部队列中验证了迁移能力。
公众号：达摩院DAMO精选AI 评分7878 阿里达摩院发布食管癌 AI 模型 DAMO EAGLE，用平扫 CT 识别早期与癌前病变
阿里达摩院发布食管癌 AI 模型 DAMO EAGLE，尝试在不插管的情况下，从胸部平扫 CT 中识别早期食管癌和癌前病变。研究团队把内镜报告和增强 CT 上的病灶位置配对到平扫 CT 上训练模型；在机会性筛查场景下，模型对食管癌的敏感性为 90%，对癌前病变为 52.5%，真实场景特异性为 99.2%，在低剂量 CT 上性能未见下降。
推荐理由：在机会性筛查场景下，该模型对食管癌的敏感性达到90%，并给出了癌前病变与特异性的具体数字，可供关注影像 AI 早筛的读者对照。
公众号：达摩院DAMO精选AI 评分8282 达摩院 DAMO RADAR 登上《科学》：一个模型识别 146 种腹部病症
达摩院发布通用医疗影像模型 DAMO RADAR，可覆盖含恶性肿瘤在内的腹部病症，研究团队评估了其中 146 种、涉及 18 个器官。该模型采用视觉-语言学习与器官级细粒度对齐策略，在近 4 万次真实世界检查中 AUC 达 0.913；与 26 名影像科医生的人机对比中，其平均准确率超过其中 23 名，AI 提示下医生识别疾病的敏感性提高 10%、用时减少 30% 以上。
推荐理由：该模型用器官级细粒度对齐把腹部 CT 与报告文本对齐，并给出与 26 名影像科医生的人机对比结果，可供做医学影像基础模型的人参考。
GigaScienceAI 评分4040 FPNuNet：面向免疫组化图像细胞核分割与分类的频率感知提示引导网络
FPNuNet 通过 4 个并行编码器（冻结的 SAM 结构编码器、冻结的 UNI 语义编码器、小波特征编码器和多尺度上下文编码器）提取多源特征，并用基于离散余弦变换的提示生成器与频率感知融合颈整合特征，在 CD47-IHCNuSC 数据集（86 张 CD47 染色食管癌图像块、18,483 个手工标注细胞核、7 个亚型）上取得所评估方法中最佳的实例分割与亚型分类性能。
Eran SegalAI 评分6060 LeDXA：基于 JEPA 的 DXA 视觉模型可从常规骨密度扫描预测疾病与生物年龄
作者发布预印本 LeDXA，一个基于 JEPA 的视觉模型，通过预测潜表征而非像素来学习，在 11,540 张无标注 Human Phenotype Project 扫描上从零训练，并在 47,400 张 UK Biobank 扫描上测试。
Gunnar RätschAI 评分4242 基于GAN从H&E切片预测蛋白标志物表达
Gunnar Rätsch 分享了利用基于 GAN 的技术，在半对齐的成像质谱流式（IMC）标签与全切片图像上训练，从 H&E 病理切片预测蛋白标志物表达的最新工作，预印本发布于 medRxiv。