跳到主要内容
检索

University of Jinan

3 篇关联报道

订阅更新
  1. 植物自发表观突变并非随机漂移:REED只读一段DNA,就能预测甲基化往哪走

    植物CG位点的胞嘧啶甲基化会自发得失,且速度远高于DNA点突变。此前单个位点的稳态只能从表观组本身估计,无法判断它写在DNA里还是由染色质携带。REED以NTv3为骨架,从10 kb序列预测每个胞嘧啶的甲基化,其预测值即该位点的设定点;在拟南芥系谱、水稻生殖系和330年杨树的实测自发突变中,得失方向与速率隐含的平衡都跟随这一设定点。

  2. researchsquare.com

    重症监护有了一个不用任务标签的生成式数字孪生:13个终点AUROC 0.83–0.98,20个预测器中排第一

    一个123.5M参数的生成式模型Didymos在五个国家七个重症数据库的409,297例住院上一次性训练,不使用任务标签,靠采样患者未来来回答预测问题。在留出数据上,它从模拟未来读出13个主要终点的AUROC为0.83–0.98,在20个预测器中平均排名第一,包括有标签训练的LightGBM与TabPFN-3.5。它模拟的治疗反应与九项观察对照中的八项一致,但在俄罗斯与中国两家未参与训练的医院,仍需用当地无标签住院做数分钟继续训练才能追平本地有监督模型。

  3. arXiv

    TSegAgent 用 SAM3 加几何推理实现零样本牙齿分割与 FDI 识别,在 Teeth3DS 上 mIoU 93.37、TIR=1 达 87.17%,并在私有数据集上保持泛化

    该工作提出 TSegAgent,把口内扫描三维模型的牙齿实例分割与 FDI 编号重构成零样本几何推理问题:先用多视角渲染(含曲率热图)配合 SAM3 文本提示“tooth”生成候选掩膜,再按 IoU 与包含关系合并为面级实例标签,随后由几何感知的视觉语言智能体经多轮对话完成非牙齿区域识别、中切牙定位、全牙弓分类与错误纠正;在含 1200 个三维牙齿模型的 Teeth3DS 上取得 mIoU 93.37、TLA 96.40、TSA 96.76、TIR 97.46、TIR=1 87.17,在来自合作诊所的 340 个更具缺陷与伪影的私有测试模型上取得 mIoU 82.10、TLA 96.68、TSA 95.99、TIR 85.41、TIR=1 5

已读完全部报道