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。
课程学习在强化学习中常比监督学习更有效,原因此前缺少可解析的解释。一个可精确求解的目标拦截模型显示:奖励密集时课程只带来边际收益,奖励稀疏时课程可能是学习发生的前提;当智能体同时追求省力与高回报时,会出现相互竞争的局部最优,使智能体停在“放弃”解上。有用的课程做两件事:降低奖励稀疏度以加快学习,并塑造奖励地形把智能体引离坏的局部最优。
f-LENNS把常规分辨率的功能磁共振幅度图像超分辨到1毫米各向同性,让介观尺度的功能组织不必依赖超高场扫描仪。模型只用域随机化的合成MRI训练,不含对抗或生成成分,因此无需重训即可用于不同场强、序列与分辨率的实验数据。在视觉皮层,超分辨后的色觉、运动与视差选择区定位比插值上采样和锐化更接近原始高分辨率采集。
混合量子-经典蒙特卡洛此前受限于反复处理量子测量数据的巨大经典计算开销,硬件演示只到16量子比特。研究把量子测量压缩成可微的机器学习代理模型,直接给出蒙特卡洛所需的波函数重叠及其导数,在谷歌Willow处理器上把端到端计算加速数个量级,使氢链和铁硫簇在最多40量子比特上达到化学精度,规模超过此前硬件演示的两倍。
在固定特征分布、任意模型类的设定下,不可知学习(训练判别模型去逼近类内最优)与多准确度(训练生成模型使类内所有观察者都分不清真假标签)被证明在统计与计算复杂度上等价。此前只有从不可知学习到多准确度这一方向已知,反方向因单个多准确度预测器即使校准也无法超过随机猜测而悬置;新的归约反复调用多准确度预言机、按预测值分层并加权平均,最终得到既多准确又校准的预测器,从而完成不可知学习。
细胞多模态基础模型通常冻结各模态编码器,只训练一个融合接口,但融合是否真的带来单模态之外的信息一直缺少判据。研究者提出协同信息分数(SIS),以线性探针下融合表示相对最强单模态表示的性能增益来度量可及协同。在肺、胸腺、乳腺三套空间转录组数据上,冗余主导的任务里单模态基线已足够,而分辨率不匹配的胸腺任务中非谱融合方法取得更高SIS。
临床脑电图判读长期依赖专家逐页查看,近年出现的EEG基础模型则要先在大规模无标注脑电上预训练。研究把脑电片段画成临床医生熟悉的双极导联波形图或频谱图,连同固定文本提示一起交给通用视觉语言模型Qwen3-VL,不做任何EEG预训练。在4秒发作间期癫痫样放电检测的vEpiSet上,Qwen3-VL-4B经LoRA适配取得0.835平衡准确率,高于全量微调的BIOT的0.763;在TUEV的EEG-Bench划分上,Qwen3-VL-8B以0.750略高于0.739的次优单任务模型。
全身PET/CT纵向配准此前主要依赖原始像素强度或稀疏的分割标签建立对应关系,前者对跨模态外观变化不稳健,后者只能给出粗粒度身份。该工作改用anatomix三维基础模型提取的逐体素语义表征,叠加手工MIND-SSC描述子和分割标签,驱动FireANTs求解器分两阶段优化形变,并加入病灶体积保持约束。在2026 Learn2Reg PSMAReg挑战赛测试集上,该系统未在挑战训练集上训练即排名第一,MTV误差1.78%、TLG误差1.39%。
儿童髓母细胞瘤与室管膜瘤的治疗要在复发风险与放疗长期副作用之间取舍,而现有临床指标和分子亚型只能给出群体层面的风险。MANTIS以全基因组DNA甲基化芯片数据和基因级拷贝数变化为输入,用神经网络输出诊断后10年的个体化生存概率曲线,在独立临床试验队列中c-index最高达到0.80 ± 0.07,高于现有临床指标和仅用亚型的模型。同一框架扩展出的治疗效应模型进一步标出约60%的平均风险髓母细胞瘤患者,在接受较低剂量颅脊髓照射时未检测到显著生存劣势(P = 0.683)。
香港城市大学等团队发布TriStageHLA,把HLA-I表位发现拆成肽段初筛、等位基因特异结合预测和免疫原性预测三个串联模块。在留出的免疫原性数据上,免疫原性模块AUROC为81.4%、AUPRC为73.8%,高于ImmuneApp的70.7%/63.6%和BigMHC-IM的60.1%/51.5%;结合模块在BA/EL合并评估上AUROC为96.2%、AUPRC为95.2%。在30万条人蛋白组背景肽的模拟筛选中,初筛保留82.4%的真实候选肽并丢弃87%的背景肽。