<?xml version="1.0" encoding="utf-8"?>
<rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom" xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005">
<channel xmlns:cfi="http://www.microsoft.com/schemas/rss/core/2005/internal" cfi:lastdownloaderror="None">
<title cf:type="text"><![CDATA[《中国临床新医学》杂志编辑部 -->人工智能在检验医学中的应用专题]]></title>
<item>
<title xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="text"><![CDATA[片上脑机接口：人工智能辅助脑类器官芯片的前沿探索]]></title>
<link><![CDATA[https://www.zglcxyxzz.com/zglcxyy/ch/reader/view_abstract.aspx?file_no=20260701&flag=1]]></link>
<description xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="html"><![CDATA[<b>［摘要］</b>　脑类器官、微电极阵列（MEA）、器官芯片和人工智能（AI）的融合，使体外神经组织从静态培养模型逐渐发展为可记录、可刺激和可反馈的实验系统。片上脑机接口（BoCI）是指以二维神经元网络、脑切片或三维脑类器官为生物单元，以MEA、光遗传刺激、微流控和算法模型为接口，构建体外神经元网络与外部任务之间双向交互的技术平台。该文面向临床医学读者，概述BoCI的概念边界、生物学基础、芯片接口、AI辅助模型、应用场景以及伦理治理。目前BoCI更适合作为神经元网络功能读出、疾病机制验证和药物筛选的前临床工具，而不宜被直接等同于意识模型或临床决策系统。未来发展需要在标准化培养、低损伤接口、可信AI和患者数据治理等方面同步推进。]]></description>
<pubDate>2026/7/31 10:41:33</pubDate>
<category><![CDATA[人工智能在检验医学中的应用专题]]></category>
<author><![CDATA[王一帆<sup>1</sup>，马凌飞<sup>1</sup>，姜　楠<sup>2</sup>，苟双全<sup>1</sup>，刘　珊<sup>3</sup>，蒋　成<sup>1</sup>，李晨钟<sup>1</sup>]]></author>
<guid><![CDATA[https://www.zglcxyxzz.com/zglcxyy/ch/reader/view_abstract.aspx?file_no=20260701&flag=1]]></guid><cfi:id>4</cfi:id><cfi:read>true</cfi:read></item>
<item>
<title xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="text"><![CDATA[医疗场景中大语言模型幻觉现象及对策研究]]></title>
<link><![CDATA[https://www.zglcxyxzz.com/zglcxyy/ch/reader/view_abstract.aspx?file_no=20260702&flag=1]]></link>
<description xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="html"><![CDATA[<b>［摘要］</b>　大语言模型（LLMs）在医疗领域应用广泛，但幻觉问题严重制约其在临床的安全部署。该文系统梳理了医学场景下LLMs幻觉的定义、分类、机制及治理对策。首先，构建了涵盖事实性与忠实性的医学幻觉分类，剖析了从数据、架构、算法到交互的偏差传导机制。其次，结合临床问答、病历生成及多模态场景，分析了事实矛盾、证据伪造等幻觉表现。在此基础上，总结了数据治理、检索增强生成、事实对齐及不确定性量化等主流检测与缓解策略。最后，提出人机协同的治理机制，为推动医疗LLMs向安全、可信方向部署提供参考。]]></description>
<pubDate>2026/7/31 10:41:33</pubDate>
<category><![CDATA[人工智能在检验医学中的应用专题]]></category>
<author><![CDATA[沈　锋<sup>1，2</sup>，齐星伦<sup>3</sup>，杨大干<sup>3</sup>]]></author>
<guid><![CDATA[https://www.zglcxyxzz.com/zglcxyy/ch/reader/view_abstract.aspx?file_no=20260702&flag=1]]></guid><cfi:id>3</cfi:id><cfi:read>true</cfi:read></item>
<item>
<title xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="text"><![CDATA[基于人工智能差分进化算法的患者数据实时质量控制智能监控平台在生化免疫项目质量控制中的应用价值研究]]></title>
<link><![CDATA[https://www.zglcxyxzz.com/zglcxyy/ch/reader/view_abstract.aspx?file_no=20260703&flag=1]]></link>
<description xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="html"><![CDATA[<b>［摘要］　目的</b>　探讨基于人工智能（AI）差分进化算法的患者数据实时质量控制智能监控平台在10个生化免疫项目质量控制中的应用价值。<b>方法</b>　基于患者数据的实时质量控制（PBRTQC）智能监控平台自动收集2023年1月至12月广西壮族自治区人民医院检验科10个生化免疫项目的检验结果，采用差分进化算法优化指数加权移动均值法（EWMA）程序的计算数量、步长、截断限和控制限，使用2024年1月至5月数据进行模型验证，并于2024年6月至10月开展真实环境运行评价。运用相关质控规则，评价PBRTQC智能监控平台在这10个项目检测质量控制中的应用价值。<b>结果</b>　通过PBRTQC智能监控平台选出最优程序相关参数。在这10个项目检测中，当出现由于试剂剩余量过低、试剂开瓶时间过长和搅拌棒携带污染引起检测系统性能变化时，智能监控平台能正确识别并及时发出报警提示。<b>结论</b>　PBRTQC智能监控平台可实时监控10个生化免疫项目检测质量风险，并精准识别系统误差。]]></description>
<pubDate>2026/7/31 10:41:33</pubDate>
<category><![CDATA[人工智能在检验医学中的应用专题]]></category>
<author><![CDATA[罗昌亮<sup>1</sup>，苏航就<sup>1</sup>，黄秀丽<sup>1</sup>，阳文辉<sup>1</sup>，黄　雄<sup>2</sup>，肖　宇<sup>1</sup>，梁　莉<sup>1</sup>，陈　珒<sup>1</sup>，袁育林<sup>1，2*</sup>，宁乐平<sup>1</sup>]]></author>
<guid><![CDATA[https://www.zglcxyxzz.com/zglcxyy/ch/reader/view_abstract.aspx?file_no=20260703&flag=1]]></guid><cfi:id>2</cfi:id><cfi:read>true</cfi:read></item>
<item>
<title xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="text"><![CDATA[基于机器学习构建妇科恶性肿瘤患者院内大肠埃希菌感染预测模型]]></title>
<link><![CDATA[https://www.zglcxyxzz.com/zglcxyy/ch/reader/view_abstract.aspx?file_no=20260704&flag=1]]></link>
<description xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="html"><![CDATA[<b>［摘要］　目的</b>　分析妇科恶性肿瘤患者院内感染的病原学分布特征，并构建主要致病菌大肠埃希菌感染的预测模型，为临床抗感染治疗和风险评估提供依据。<b>方法</b>　回顾性分析2020年5月至2022年1月安徽省肿瘤医院妇科肿瘤术后1周内及化疗住院期间发生感染的146例患者的临床资料。分析感染病原菌分布特征，分析主要致病菌大肠埃希菌耐药情况及感染的影响因素并构建预测模型。<b>结果</b>　共检出180株病原菌，中段尿液样本占比最高（65.56%，118/180）。革兰阴性杆菌占80.56%（145/180），其中大肠埃希菌占革兰阴性杆菌的70.34%（102/145），占总病原菌的56.67%（102/180）。药物敏感性试验结果显示，大肠埃希菌对头孢曲松、环丙沙星、复方新诺明及左氧氟沙星的耐药率均超过55%，对亚胺培南、厄他培南、哌拉西林/他唑巴坦、呋喃妥因及阿米卡星的耐药率均低于10%。在全部样本中，单因素logistic回归分析显示大肠埃希菌感染仅与中段尿液样本类型显著相关（<i>P</i>=0.004），故后续仅纳入中段尿液样本进行分析。在中段尿液样本中，多因素logistic回归分析结果表明，大肠埃希菌感染可能与肿瘤类型、白细胞计数（WBC）、脂蛋白a（Lpa）、尿亚硝酸盐（UNIT）及尿液细菌数量相关（<i>P</i><0.1）。基于上述5个变量，采用多种机器学习方法构建大肠埃希菌感染评估模型。结果显示，决策树算法和逻辑回归算法模型表现稳定，决策树算法模型训练集与测试集曲线下面积（AUC）分别为0.838和0.818，逻辑回归算法模型训练集与测试集AUC分别为0.775和0.737。两种模型的校准曲线及决策曲线分析（DCA）均显示出优良的性能。<b>结论</b>　妇科恶性肿瘤患者院内感染以泌尿系统革兰阴性杆菌为主，大肠埃希菌为优势菌。基于肿瘤类型、WBC、Lpa、UNIT及尿液细菌数量构建的决策树算法模型和逻辑回归算法模型对中段尿液样本中该菌感染识别性能优异，有助于早期识别高危患者，指导精准用药，对减少耐药及改善抗感染结局具有重要价值。]]></description>
<pubDate>2026/7/31 0:00:00</pubDate>
<category><![CDATA[人工智能在检验医学中的应用专题]]></category>
<author><![CDATA[单武林<sup>1，2</sup>，彭文举<sup>3</sup>，许鑫鑫<sup>4</sup>，阚劲松<sup>1，2</sup>，张家云<sup>1，2</sup>，陈继明<sup>5</sup>]]></author>
<guid><![CDATA[https://www.zglcxyxzz.com/zglcxyy/ch/reader/view_abstract.aspx?file_no=20260704&flag=1]]></guid><cfi:id>1</cfi:id><cfi:read>true</cfi:read></item>
</channel>
</rss>