高分辨率计算机断层扫描（HRCT）是诊断和评估系统性硬化症（SSc）相关间质性肺病（ILD）进展的标准方法。然而，人工智能辅助解释有可能改进SSc-ILD的量化和特征化，使其成为一种强大的监测工具。Francesca Motta提供了来自一项观察性研究的新数据，该研究将人工智能辅助分析与两位具有胸部影像学专业知识的放射科医生进行了对比。结果显示，人工智能在评估SSc-ILD患者纤维化进展方面优于视觉评分，并且与肺功能测试值显示出更显著的相关性——能够检测到随时间变化的细微变化。
Seulkee Lee也展示了关于AI在诊断中的发现，研究了一种整合骶骨MRI炎症和结构变化的深度学习模型，以解决骨髓水肿（BME）检测与轴向脊柱关节炎临床诊断之间的差距。开发了一个端到端的深度学习框架，使用短tau反转恢复（STIR）和T1加权MRI序列分别反映炎症和结构变化。使用291名患者的数据，分类模型显示了高灵敏度、特异性和准确性。值得注意的是，它能够识别出9名符合临床但不符合ASAS定义阳性MRI标准的患者中的6名——表明其能够检测超出常规标准的特征。这些发现突显了人工智能不仅能够检测特定的影像学特征，还能够预测临床诊断，表明其在实际临床实践中的应用前景广阔。
在成像领域，Claus Juergen Bauer及其同事探索了监督深度学习模型在超声检查中的作用——特别是用于典型巨细胞动脉炎病变的存在或不存在的图像分类。开发数据集包括来自244名患者的3,800张图像。该模型在腋窝和浅表颞动脉的诊断性能上优于两个对照组——除了浅表颞动脉的小分支表现出较低的性能，反映了固有的诊断挑战。未来的工作将集中在扩展数据集和纳入多中心验证，以优化小动脉的检测并提高模型的泛化能力。
转向风险因素识别，Antonio Tonutti展示了两个机器学习模型的结果，这些模型是根据临床、血清学和治疗数据开发和调整的，用于预测系统性硬化症患者中可拦截的癌症（同步诊断或在首次非雷诺症状后诊断）。乳腺癌是最常见的恶性肿瘤（32%），其次是肺癌（16%）、妇科癌症（8%）、结直肠癌（7.5%）和血液系统癌症（7%）。这些模型表现良好，准确率为73-79%，尽管在敏感性、精确度和特异性方面存在差异，没有一个模型在所有参数上都胜过另一个。确定的关键预测因子包括基线ILD、指端溃疡、食管受累、毛细血管扩张和高CRP，而服用霉酚酸酯在两个模型中都具有保护作用。这些AI模型的微调和验证可能为系统性硬化症患者提供个性化的筛查策略，以提高早期癌症检测。
另一组研究人员分享了使用大型语言模型进行风险评估的工作。Pallavi Vij及其同事评估了这些模型和提示工程技术在通过案例情景提供骨质疏松症护理指导方面的有效性，以评估其在风险分层、治疗建议和转诊决策方面的能力，符合国家指南。研究结果表明，这些模型在风险分层和转诊分流方面具有潜在的应用价值——可能减少行政负担。然而，在治疗建议方面的一致性较低，这强调了临床专业知识在治疗决策中的必要性。需要进一步的验证研究来评估这些AI工具在实际应用中的实施、工作流程集成和成本效益。
Marco Capodiferro介绍了基于一个多中心欧洲队列（洛桑、巴里、伯尔尼）的数字生物标志物的研究，探讨了深度学习和计算机视觉的进步如何提供简化智能手机手部运动跟踪的机会——为远程评估类风湿关节炎的疾病活动提供了巨大潜力。研究参与者用他们的优势手进行了五次快速手指屈曲，同时被智能手机摄像头记录。算法量化了关节角度变化和达到最大屈曲所需的时间，以分析动力学变量。研究结果表明，这些动力学特征与临床指标之间存在显著关联，该模型能够稳健地预测低疾病活动和缓解。这项技术为远程医疗和远程监测提供了有希望的途径，补充了主观评估的客观指标。
最后，社交机器人可能能够承担部分患者沟通的负担——这是高质量医疗服务的一个重要组成部分，可能会受到时间限制和服务过载的影响。Daan van Gorssel报告了一个人工智能增强型社交机器人作为风湿病患者信息工具的潜力。通过自然语言处理和机器学习，该机器人旨在回答常见患者问题，提供准确的医疗信息，并提高健康素养。患者似乎认为这个机器人是可以接受的，并赞赏其提供信息和回答问题的能力，但建议根据不同教育水平调整沟通风格。医疗专业人员普遍也认为该机器人既可接受又有用，特别是在患者教育、分诊和常规随访等领域，但也表达了对替代人际互动的担忧，特别是在需要同情心和个人化护理的情况下。
(全文结束)
