医学影像与数字病理 AI 的研究、产品与审批动态。
一项在英国 19 家全科诊所开展的整群随机对照试验显示，使用 Web 端临床决策支持系统（CDSS）CrossCover 可增加骨骼肌肉疾病患者的单纯自我管理建议，并在使用时显著降低非循证次优护理。在 10,182 名合资格患者中，全科医生在 365 例（8.6%）就诊中实际使用了该系统。符合方案（PP）分析显示，在 CDSS 引导的就诊中，次优护理发生率降至 3%（2/60）。
推荐理由：该整群随机对照试验评估了基层门诊使用临床决策支持系统的依从度与规范率，为全科医疗引入数字化诊疗工具提供了临床对照数据。
研究人员提出了免训练的多智能体大语言模型框架 TrajOnco，通过链式智能体架构与长期记忆对纵向电子健康记录（EHR）展开时序推理，用于预测 1 年内的多癌症发病风险。
推荐理由：该研究验证了免训练多智能体架构处理长期电子病历时序推理的可行性，为小参数模型实现可解释的癌症风险预测提供了方法参考。
《自然·医学》社论指出医疗AI在落地过程中普遍面临宣传热度与临床现实脱节的矛盾，模型回顾性高分往往难以直接转化为实际临床获益。文章强调AI落地必须在早期融入真实诊疗路径并因地制宜适配不同医疗机构的基础设施，同时警惕模型迭代与电子病历规范变更导致的性能漂移。未来评估体系需从单纯的基准跑分转向混合有效性实施试验与前瞻性真实世界研究，建立部署后的持续监督机制以赢得医患长期信任。
推荐理由：文章指出了医疗模型离线评测与临床实际价值脱节的问题，系统归纳了医疗AI在工作流整合与持续监管上的落地要点。
研究人员在《npj Digital Medicine》提出自适应医疗AI的上市后治理架构AEGIS，以填补美国FDA预先确定变更控制计划（PCCP）与欧盟MDR在可执行操作流程上的落地空白。
推荐理由：该研究将FDA的PCCP和欧盟MDR要求转化为可执行的自动化治理流水线，为自适应医疗AI的上市后漂移监控提供了落地参考。
曹鲁阳等人提出了多模态医学图像修复与增强基础模型 AMIFound，统一了七种成像模态下的医学图像修复。该模型可在多种图像退化条件下提供稳健的画质增强，并完整保留用于临床诊断的关键信息。
推荐理由：研究提出了统一七种影像模态的图像修复基础模型，为多样退化条件下的临床诊断信息保真提供了通用方法。
发表于《Nature Medicine》的一项小型癫痫监测研究表明，基于大语言模型的受控聊天界面可让患者通过智能手机与自身的脑电图监测系统进行实时对话。在无需临床医生介入的情况下，患者提供的实时反馈使癫痫发作检测器的虚假警报减少了约80%。
推荐理由：这项小型研究展示了大模型结合脑电监测的人机协同模式，读者可以参考其通过患者反馈降低癫痫误报的实际路径。
一项发表于《npj Digital Medicine》的研究基于161例临床验证案例评估了10种基于GPT-5的配置，发现多模态诊断可靠性更多取决于透明推理和高质量输入，而非激进检索或复杂智能体工作流。测试显示模型虽具备利用病史和清晰分步推理等优势，但在图像解读上存在误判，且偶发的不一致网络检索反而会削弱性能。作者建议未来开发应优先优化推理透明度并强化图文整合能力。
推荐理由：该研究通过161个临床病例量化检验了前沿多模态智能体，指出了复杂工作流与外部检索可能降低诊断可靠性的现实局限。
微软研究院联合华盛顿大学与 Providence 开源轻量化病理基础模型 GigaPath-Flash 与 GigaTIME-Flash，权重及代码在 Hugging Face 上以 Apache 2.0 协议开放。
推荐理由：原文给出了针对十亿级病理大模型的知识蒸馏架构与算力对比，为大规模队列的高通量病理计算提供了可落地的轻量化方案。
Google Research 与 Google DeepMind 推进医疗 AI 研究系统 AMIE 实现实时临床视频问诊能力，在一项模拟问诊研究中展现出专家级表现。
推荐理由：该研究展示了多模态模型结合视听线索进行实时模拟问诊的临床推理表现，为虚拟交互技术在临床场景的演进提供了参考。