牛津大学科学家开发出一款简单的AI工具,能够在心力衰竭发生前五年预测其风险。
全球超过6000万人患有心力衰竭,这种疾病会导致心脏无法正常将血液泵送至全身。专家表示,若能在心力衰竭发展为显性疾病之前发现早期迹象,将是医学领域的重大突破。医生届时将能够更好地在早期阶段制定应对方案并加以干预,甚至有望完全预防该病症的发生。
这款由牛津大学团队开发的AI工具,通过分析心脏周围脂肪中的信号,判断其是否存在炎症或异常状态,而这些迹象在人眼观察下根本无法察觉。
研究人员表示,此前尚无方法能够通过常规心脏CT扫描准确预测心力衰竭。这款工具能够为医生提供患者的风险评分,从而辅助临床决策,例如确定患者需要多频繁地进行复查与监测。
结果显示,风险最高组的患者罹患心力衰竭的概率是风险最低组的20倍,且在五年内发病的可能性约为四分之一。
该AI工具在英格兰9家NHS医院信托机构的7.2万名患者数据中完成训练与验证,这些患者在接受CT扫描后持续接受了长达十年的随访追踪。工具对患者未来五年内发展为心力衰竭的预测准确率达86%。相关研究结果已于近日发表于《美国心脏病学会杂志》。
主导该研究的牛津大学心血管医学教授查拉兰博斯·安托尼亚德斯表示:"我们将生物科学与计算技术领域的最新进展相结合,在心力衰竭诊疗方面迈出了重要一步。这款新型AI工具能够处理心脏CT扫描数据,并在无需人工介入的情况下,为每位患者生成量化的绝对风险评分。尽管本次研究使用的是心脏CT扫描数据,我们目前正致力于将这一方法推广应用至因任何原因进行的胸部CT扫描中。这将帮助医生做出更充分、更准确的治疗决策,确保风险最高的患者获得最及时、最有力的治疗干预。"
牛津大学研究团队目前正积极寻求监管批准,计划将该工具推广至包括NHS在内的各医疗体系。他们希望将其纳入医院放射科常规心脏CT扫描分析流程之中。
英国心脏基金会临床主任索尼娅·巴布-纳拉扬博士表示:"心力衰竭长期存在诊断过晚的问题,有时直到患者住院才被发现。诊断滞后意味着患者的心肌可能已经遭受本可避免的严重损伤。这款工具能够帮助医生通过对高风险人群的更密切监测,更早地发现心力衰竭迹象。早期诊断至关重要——它能让医生更有效地管理患者病情,为患者争取更长时间、更高质量生活的机会。这项研究充分展示了借助技术手段推动心血管医疗水平提升的巨大潜力。"
专家建议,提升心脏健康的最佳方式包括:多摄入蔬菜水果、保持规律的体育锻炼、维持健康体重、戒烟、减少饮酒,以及有效控制血压。
Q&A
Q1:牛津大学开发的心力衰竭预测AI工具准确率有多高?
A:该工具在英格兰9家NHS医院信托机构的7.2万名患者数据中完成训练与验证,对患者未来五年内发展为心力衰竭的预测准确率达86%。风险最高组患者在五年内发病的概率约为四分之一,是风险最低组的20倍。
Q2:这款AI工具是怎么预测心力衰竭风险的?
A:该工具通过分析心脏周围脂肪组织中的特定信号,判断心脏是否存在炎症或异常状态,这些迹象在人眼观察下根本无法察觉。工具处理心脏CT扫描数据后,可在无需人工介入的情况下,自动为每位患者生成量化的绝对风险评分,辅助医生制定临床决策。
Q3:心力衰竭预测AI工具什么时候可以在NHS中推广使用?
A:目前,牛津大学研究团队正积极寻求监管批准,计划将该工具推广至包括NHS在内的各医疗体系,并希望将其纳入医院放射科的常规心脏CT扫描分析流程。具体上线时间尚未公布,仍需等待监管审批结果。
好文章,需要你的鼓励
Replit与RevenueCat达成合作,将订阅变现工具直接集成至Replit平台。用户只需通过自然语言提示(如"添加订阅"),即可完成应用内购和订阅配置,无需离开平台。RevenueCat管理超8万款应用的订阅业务,每月处理约10亿美元交易。此次合作旨在让"氛围编程"用户在构建应用的同时即可实现商业变现,月收入未达2500美元前免费使用,超出后收取1%费用。
LiVER是由北京大学、北京邮电大学等机构联合提出的视频生成框架,核心创新是将物理渲染技术与AI视频生成结合,通过Blender引擎计算漫反射、粗糙GGX和光泽GGX三种光照图像构成"场景代理",引导视频扩散模型生成光影物理准确的视频。框架包含渲染器智能体、轻量化编码器适配器和三阶段训练策略,支持对光照、场景布局和摄像机轨迹的独立精确控制。配套构建的LiVERSet数据集含约11000段标注视频,实验显示该方法在视频质量和控制精度上均优于现有方法。
所有人都说AI需要护栏,但真正在构建它的人寥寥无几。SkipLabs创始人Julien Verlaguet深耕这一问题已逾一年,他发现市面上多数"护栏"不过是提示词包装。为此,他打造了专为后端服务设计的AI编程智能体Skipper,基于健全的TypeScript类型系统与响应式运行时,实现增量式代码生成与测试,内部基准测试通过率超90%。他认为,编程语言的"人类可读性时代"正走向终结,面向智能体的精确工具链才是未来。
这项由蒙特利尔学习算法研究所(Mila)与麦吉尔大学联合发布的研究(arXiv:2604.07776,2026年4月)提出了AGENT-AS-ANNOTATORS框架,通过模仿人类数据标注的三种角色分工,系统化生成高质量网页智能体训练轨迹。以Gemini 3 Pro为教师模型,仅用2322条精选轨迹对90亿参数的Qwen3.5-9B模型进行监督微调,在WebArena基准上达到41.5%成功率,超越GPT-4o和Claude 3.5 Sonnet,并在从未见过的企业平台WorkArena L1上提升18.2个百分点,验证了"数据质量远比数量重要"这一核心结论。