住院成人脓毒症AI预测模型：系统综述、亚组荟萃分析与临床负担情境分析
系统综述旨在汇总机器学习与深度学习模型对住院成人脓毒症的预测表现，并单独描述相关医疗负担。 纳入相关研究开展系统综述与亚组荟萃分析，并按预测时间窗与验证成熟度分层，另用韩国国家住院索赔数据分析负担。
U-Net Transformer用于磁共振弹性成像重建
提出一种基于深度学习的磁共振弹性成像重建方法，旨在加速并稳定传统反演流程。 构建开源物理仿真框架，结合LiTS数据集的肝脏与肿瘤几何及临床刚度先验，生成大规模基准数据集。
ISPOR特别工作组良好实践报告：生成式人工智能用于系统文献综述
ISPOR特别工作组发布首份关于生成式AI用于系统文献综述各核心任务的循证良好实践建议。 采用改良PRISMA快速证据评估，纳入2022年11月至2025年7月间115项实证研究，按七类任务定性综合并构建任务级评估框架。
机器学习预测心血管病风险算法的系统综述：前景与临床不确定性
该综述考察机器学习算法预测心血管疾病风险的输出，是否针对Framingham风险评分的已知不足并改善风险估计。 检索Medline、Embase与IEEE自建库至2025年1月1日，纳入将机器学习心血管风险评估输出与FRS直接比较的研究，排除评论、信件及未发表文献。
基于大语言模型的分类器用于摘要筛选的案例研究
基于大语言模型的分类器可在仅损失少量相关研究的前提下，减少需要人工筛选的记录比例。 研究评估Epistemonikos可持续知识平台中结合大语言模型的分类器，用于摘要筛选环节。
生成式AI设计并实验验证超宽带近零介电常数完美吸收器
结论方向：研究提示生成式深度神经网络可辅助设计超薄多层近零介电常数吸收器，并在实验中实现近红外超宽带近完美吸收；证据档位为C，属材料设计与实验演示类研究，方向为性能提升但需外部重复验证。 研究设计与做法：为算法驱动的材料设计加实验演示研究，非临床研究。以生成式深度神经网络学习高性
审计"审计者"：无标签、可校准地测量 LLM 诊断中的无依据断言（ATRACC 2026）
场景：微服务事故诊断。核心工具 TCA（Telemetry Claim Adjudicator） 是一个不依赖结果标签的机械裁决器，逐条裁定 LLM 智能体在诊断中引用的遥测断言是否有依据。 配套制品：6 种架构臂 × 2 个基准的诊断 harness；以 SHA-256 请求号
基于对比反思的自动提示去偏提升大模型公平性
该研究提出通过对比反思实现自动提示去偏，以提升大语言模型的公平性。 摘要仅显示发表于Artificial Intelligence第360卷，未提供具体方法流程与实验设置。
错位之设计：基层医疗场景下生成式AI的评估与部署
作者认为生成式AI在基层医疗的核心问题不是性能本身，而是评估与部署方式的错位。 文章基于北欧与欧洲视角，提出六项基层医疗现实条件作为讨论框架。
TensorFlow：端到端开源机器学习平台
由 Google Brain 团队发起的端到端开源机器学习平台，提供工具、库与社区资源，供研究者开展机器学习与神经网络研究并部署应用。
面向生命周期的供应链策略：模糊-LLM混合决策支持系统
提出一种融合模糊方法与LLM的混合决策支持系统，用于生命周期导向的供应链策略。 研究构建模糊-LLM混合决策支持系统，面向供应链生命周期进行策略决策支持。
AI预测颅面与下颌生长的系统综述：12项研究
该系统综述提示，基于人工智能的颅面与下颌生长预测模型展现出一定预测性能，但现有证据不足以确立其优于传统统计方法，作者明确表示当前证据不支持常规临床使用。 设计为系统综述，检索9个数据库至2026年8月12日并辅以手工检索，纳入评估AI模型预测颅面或下颌生长的人体研究，共纳入12项
人工智能驱动磁性能预测与自旋电子材料发现综述
综述认为，AI与机器学习正成为加速自旋电子材料发现与磁性能预测的有力工具。 文章为综述，围绕自旋电子技术对高自旋极化、大磁矩、可调交换作用与热稳定性的需求展开梳理。
NeuralOperator：面向算子学习的开源Python库
该文献介绍了一个名为NeuralOperator的开源Python库，用于神经算子（operator learning）的训练与部署；其定位是工具与软件资源，而非临床或实验研究，因此不涉及疗效或因果方向的结论。 研究设计与做法：文献类型为资讯/软件介绍，材料未报告样本量、干预与对
连接自然、数据与人工智能：天然产物发现的跨学科路径
文章提出以跨学科整合方式，将人工智能与多组学数据结合，用于应对天然产物发现中的瓶颈问题。 传统天然产物发现受限于重复发现、去重复效率低、沉默生物合成基因簇及结构解析复杂等障碍。
主动推断与"人工推理"：用期望自由能驱动结构学习与规则发现
核心问题：如何采样最能揭示世界模型结构的结果——即在若干生成模型/假设之间做最优实验设计（rule discovery）。 数学工具：主动推断中，策略（动作组合）按期望自由能选择 = 期望信息增益 + 价值；信息增益即"含与不含行动后果"两种预测后验之间的 KL 散度。 计算效率
AlloPool：从分子动力学模拟推断蛋白别构的深度学习框架
AlloPool可基于分子动力学模拟推断蛋白质别构特性。 该框架为图神经网络，通过迭代剪枝残基间相互作用以揭示别构相关网络。
MRI宫颈癌分割的机器学习与深度学习系统综述
结论：系统综述提示，机器学习与深度学习算法在MRI宫颈癌自动分割中表现出一定潜力，但证据确定性低，尚不足以下结论支持常规临床实施。 研究设计与做法：遵循PRISMA的系统综述，PROSPERO注册号CRD420251247441；检索PubMed/MEDLINE、Embase、S
机器学习移动应用CROHN'S AID鉴别克罗恩病与肠结核的开发与前瞻性验证
研究开发并前瞻性验证了机器学习移动应用“Crohn's Aid”，用于在结核流行地区床旁实时鉴别克罗恩病与肠结核。 基于印度三级中心1066例患者（克罗恩病650例、肠结核416例）的前瞻性维护数据库进行回顾性分析，用30项临床、内镜与影像变量训练多种模型。
基于常规电子健康记录数据的院内谵妄预测模型：系统综述
该系统综述旨在评估基于常规EHR数据开发的院内谵妄预测模型的构建、验证与临床可用性。 检索PubMed、MEDLINE、Embase、PsycINFO和Web of Science至2025年11月11日，纳入开发预测模型的研究，提取模型特征、验证策略、性能与偏倚风险。
