不用打造影剂也能读出冠脉炎症:非增强CT的FAI评分把零钙化人群的风险分层推进一步
冠状动脉炎症此前只能从需要造影剂的冠脉CT血管成像中测量,而常规钙化评分用的是低剂量非增强CT。研究在多中心队列中训练并外部验证了一套从非增强CT计算冠脉周围脂肪衰减指数(FAI)的深度学习流程,该评分与造影版FAI预后表现相当,并在钙化评分为零的人群中把心血管死亡与主要不良心血管事件的风险进一步分开。
冠状动脉炎症此前只能从需要造影剂的冠脉CT血管成像中测量,而常规钙化评分用的是低剂量非增强CT。研究在多中心队列中训练并外部验证了一套从非增强CT计算冠脉周围脂肪衰减指数(FAI)的深度学习流程,该评分与造影版FAI预后表现相当,并在钙化评分为零的人群中把心血管死亡与主要不良心血管事件的风险进一步分开。
临床影像常按机构、模态和标注结构分批到来,分割模型既要适应新的成像分布,又要学会新增的病灶类别,同时不能忘掉旧知识。FGCARL 把双向特征统计对齐与 Fisher 信息加权的参数约束放进同一个增量学习框架,不需要回放历史患者数据。在从 UCSF-BMSR 迁移到 BraTS-METS 2023 的域与类同时变化设定中,配 Swin UNETR 的 FGCARL 在新域三个肿瘤区域上平均 Dice 为 68.28%,高于对比中最强的 CLAMTS 的 60.94%。
亚细胞分辨率空间转录组能测到转录本在细胞内的位置,但此前的方法多针对单一分析任务,缺少在细胞类型与组织环境中统一刻画并预测基因胞内定位的框架。SVC 把每个基因在细胞内的空间表达当作一张图像块,用同一细胞的其他基因作为上下文,以自监督掩码方式学习跨基因的空间依赖。在 seqFISH+ 小鼠胚胎成纤维细胞数据上,SVC 对未测基因的亚细胞模式预测在六项指标上均优于四个图像基线,相对更具挑战性的基线组中位提升为 5.2%–21.0%。
同时测序单细胞转录组与三维基因组的技术已经能给出同一细胞的配对数据,但两类数据在噪声、尺度和生物学含义上差异很大,此前通常分开分析,各自学到的低维空间也不对齐。scHiR用两个模态各自的编码器把基因表达与染色质接触矩阵映射到同一个超球面潜空间,再分别重建两种信号。在HiRES、GAGE-seq和LiMCA三种技术产生的配对数据上,联合嵌入的聚类表现与单组学方法相当或更好,并在小鼠主嗅上皮数据上把伪时间与发育阶段的Spearman相关从单组学的0.357和0.205提高到0.517。
面向多跳信息检索的搜索智能体,训练信号从只看最终答案正确与否,改为对每一步搜索动作打分。RAG-Gym把搜索建模为马尔可夫决策过程,并比较架构、参数优化与动作评估三个维度,选出推理反思架构、偏好优化与评论家引导推理的组合,构成Re2Search++。在HotpotQA上训练后,它在未见过的Bamboogle上优于结果监督基线,检索召回更高且搜索步数相当或更少;在Llama-3.1-8B上训练的评论家还能提升GPT-4o-mini的MedQA准确率。
在五个开放权重模型里,图事实不变、只换任务指令,同一批注意力头对下游的影响模式就重新分布;在Gemma-2-9B和Qwen3-14B中,改动一处早期内部激活向量就能让模型改读另一条事实,而书面指令和权重都不动。
智能体在长交互流中需要在线适应分布变化,而现有智能体框架要么只靠前向信息流更新状态,要么依赖额外的回放或验证数据来优化。ReHarness 在严格在线流式协议下,把前向读写与反向修订结合起来:每条实例处理完后,用产生的轨迹作为反馈,回头修订该实例检索到的反思,让反馈沿文本化的框架状态向后传播。在三个持续学习基准和三个语言模型骨干上,它稳定优于原始上下文基线、基于记忆与反思的方法以及提示优化方法。
SignRAG提出一个面向无gloss手语翻译的统一框架:先用细粒度手语—文本对齐学习语言化手语表征,再与Qwen3-8B联合预训练,随后用仅取自目标域训练集的检索库提供实例级翻译线索,并以结合翻译质量与检索效用奖励的RUG-RFT抑制有害依赖;在CSL-Daily、PHOENIX-2014T、How2Sign、OpenASL四个基准上取得新的最优结果,并在CSL-Daily全部指标上首次由无gloss方法超越有gloss方法。
该工作将N=4超对称杨-米尔斯理论中背靠背能量-能量关联器的领头与次领头幂对数重求至N3LL精度(含非平面贡献),得到新的次领头幂函数,并将其与共形自举数据和强耦合超引力结果结合,构造出平台高度从弱耦合到强耦合的渐近约束插值;计算由人在回路中的智能体工作流完成。
作者提出 SoloQ:用 K-RPBH 旋转把权重与激活映射到可预测的近似高斯分布,配合仅尺度偏差校正实现免校准 4 比特量化,并对块扩散模型在块提交时量化 KV 缓存;在 LLaDA-Base、LLaDA-1.5、Dream-7B、Fast-dLLM v2 与 Nemotron-Labs-Diffusion 上,SoloQ-C 与 SoloQ-N 在 W4A4 及 W4A4KV4 下保持精度,平均分超过 DLLMQuant++、STaR-Quant、FAIR-Calib 等需校准基线,NVFP4 路径还降低峰值内存并加速端到端推理。