10月27日，美国约翰斯・霍普金斯大学研发出一款名为“交通安全副驾”的生成式AI工具，可精准预测交通事故风险，研究成果发表于《自然・通讯》。该工具基于大语言模型，分析66000余起事故数据，结合路况、血液酒精浓度、影像等信息，研判个体与复合风险，并提供预测置信度评分，破解了AI决策“黑匣子”难题。数据显示，美国马里兰州高速公路死亡人数从2013年的466人升至2023年的621人，其中酒驾和超速是主要诱因。相比传统机器学习仅依赖历史数据，该工具具备真正预测能力，能应对新情况并可通过补充数据优化，灵活适配不同地区需求。

7月5日，美国约翰斯・霍普金斯大学研发出一款名为MAARS的多模态AI模型，可显著提升心源性猝死风险预测的准确性。该系统结合心脏MRI图像与健康记录数据，尤其针对肥厚型心肌病患者，能发现传统方法难以察觉的风险信号。研究显示，现行临床指南判断高风险患者的准确率约为50%，而MAARS模型整体准确率达89%，对40至60岁高风险人群的准确率更高达93%。研究人员称，该模型有望改变临床决策方式，未来还将扩展至其他心脏疾病风险评估。相关成果已发表于《自然-心血管研究》杂志。