细胞类型不再先标注:NetMap从混合单细胞数据里同时读出调控网络与细胞身份
单细胞调控网络推断不再需要先给细胞分型。此前流程先聚类、再用标记基因标注细胞类型,然后逐群推断网络,聚类和标注的误差会传进网络。NetMap在聚类之前就为每个细胞推断基因调控网络,再用GradientShap把网络边归因到输入基因,在PBMC多组学数据的三个评估案例上聚类分数分别为1.0、0.99和0.99。
单细胞调控网络推断不再需要先给细胞分型。此前流程先聚类、再用标记基因标注细胞类型,然后逐群推断网络,聚类和标注的误差会传进网络。NetMap在聚类之前就为每个细胞推断基因调控网络,再用GradientShap把网络边归因到输入基因,在PBMC多组学数据的三个评估案例上聚类分数分别为1.0、0.99和0.99。
该研究在4个模型、4个审计数据集上生成约470万条自然语言自编码器(NLA)解释,比较13种单次前向传播即可算出的位置打分信号与仅依赖聊天结构的排序器,发现聊天结构在14个模型-数据集组合中的12个里AUROC高于最佳单一信号,且在4个数据集中的3个上只解释5%的位置就能保留接近全量解释的审计成功率,并发现预训练verbalizer无需额外训练即可读出微调后模型刻意隐藏的词。
该研究在机构防火墙内部署3.8B参数的开放权重小语言模型Phi4-mini(经Ollama运行),结合确定性正则表达式后处理,从加泰罗尼亚SIDIAP数据库的15,498份加泰罗尼亚语/西班牙语双语MEAP初级保健叙事中提取发热、亚硝酸盐、白细胞、腰痛、腹痛和血尿六项未编码尿路感染临床特征,在60份真实病历的双盲临床医生金标准验证中达到93.8%准确率、96.6%特异度和83.6%敏感度,在720份对抗性合成文本压力测试中达到87.2%准确率、99.5%特异度和99.2%阳性预测值,全程无患者数据离开机构服务器。
该研究提出 RSAUNet,一种在 U-Net 主干中融合残差卷积块、Swin Transformer 块与注意力机制的深度学习架构,用于 MRI 前列腺癌分割,并在公开 Kaggle 前列腺标注数据集上报告了 Dice 系数 0.998、Jaccard 指数(IoU)0.965 的训练与验证结果,同时通过消融实验比较了各组件逐项加入后的损失、准确率、Dice 与平均 IoU 变化。
该研究在伊朗德黑兰Farhikhtegan医院于2025年2月至12月常规结肠镜检查中前瞻性采集了来自455名患者的8181帧图像(432帧息肉阳性并带专家像素级分割掩膜、7749帧正常黏膜),为每例关联年龄、性别、检查指征、BBPS评分和操作时长等患者级元数据,并在统一协议下用患者分组五折交叉验证训练评估六种分割架构,发现PraNet内部Dice最高(0.755)、nnU-Net内部IoU最高(0.665)且像素准确率最高,但正常黏膜上的门控假阳性率从24.9%(YOLOv11m-seg)到59.5%(nnU-Net)几乎完全反转了内部Dice排序,而在公开Kvasir-SEG外部测试集上D
已读完全部报道