罕见病面部筛查换了解释方式:ProtoGestalt把判断钉在眉眼鼻颊,匹配对照下准确率0.85
罕见遗传病常在初诊时被漏掉,而现有面部诊断模型多为端到端黑箱,难以说明依据。ProtoGestalt在PIP-Net原型学习上加入面部关键点约束,让每个原型只能从指定的十个解剖区域取证据,预测由这些局部原型相加而成。在按年龄、性别、族裔匹配的对照上,它区分综合征与未患病面孔的准确率为0.85,区域约束版本为0.73;对照数量增加时AUPRC下降但仍高于0.70。
罕见遗传病常在初诊时被漏掉,而现有面部诊断模型多为端到端黑箱,难以说明依据。ProtoGestalt在PIP-Net原型学习上加入面部关键点约束,让每个原型只能从指定的十个解剖区域取证据,预测由这些局部原型相加而成。在按年龄、性别、族裔匹配的对照上,它区分综合征与未患病面孔的准确率为0.85,区域约束版本为0.73;对照数量增加时AUPRC下降但仍高于0.70。
在27个UK Biobank性状上,用基因组基础模型(GFM)的变异打分替代或叠加标准功能注释,并未带来更多常见变异位点。AlphaGenome与Borzoi单独使用时位点增幅中位数为1.8%和3.8%,低于baselineLD的5.1%;GPN-Star反而减少位点。把GFM注释并入baselineLD后,位点变化中位数在−0.1%到0.2%之间,提示这些模型主要重复了标准注释已有的调控信息。
vibe-qc 是一个面向分子与固体的开源电子结构程序,其代码几乎全部由 AI 智能体在一位领域科学家的指导下编写。它把分子与周期体系放进同一套 Python 接口和 C++17 数值核心,并附带一套可复用的验证集:分子哈特里—福克能量与独立程序吻合到纳哈特里量级,常规 CCSD(T) 也在小分子上做了对照。验证集把独立程序比对、已发表基准和内洽检验分开记录,未达容差的比较同样保留。
在三个独立队列的结构MRI上,阿尔茨海默病分类模型会把年龄当作捷径:年龄越大,被赋予的患病风险越高。把年龄效应在特征空间里做线性残差化(PMDN)后,认知正常与轻度认知障碍组的年龄—预测相关性降到接近零,平衡准确率0.71、Brier分数约0.22,且折间波动明显小于对抗训练方案CF-Net。事后校准进一步压低概率误差,但等渗回归与贝叶斯分箱这类非参数方法效果最好。
该工作提出 DeepFisFis——一个直接基于波形、对连续 5 毫秒音频片段进行分类的神经网络,可在小鼠超声发声(USV)正在产生时进行检测,每段处理约 2.5 毫秒、快于音频流入速度;在已部署的闭环系统中,检测结果可触发外部刺激,实现进行中发声行为的在线控制,同时支持事件触发式采集,在仅保留约 22% 连续录音的情况下保存了超过 99% 的发声时间。
K-MaT 是一个提示学习框架,通过分解提示、将其锚定到临床文本描述,并用 Fused Gromov-Wasserstein 最优传输把低端提示流形对齐到视觉接地的 高端空间,从而在不需要低端训练图像的情况下把决策结构迁移到低端模态;在四个跨模态基准(含皮肤镜、乳腺摄影到超声、CT 到胸片)上取得最优结果,平均准确率调和均值从 BiomedCoOp 的 42.0% 提升到 44.1%,宏 F1 达 36.2%,并在乳腺成像任务上缓解了 CoOp 在低端跌至 27.0% 准确率的灾难性遗忘。
PromptGate 提出一种面向开放集联邦主动学习(OS-FAL)的客户端自适应视觉-语言门控模块:在冻结的 BiomedCLIP 上以类特定上下文(CSC)方式学习全局提示(经 FedAvg 聚合)与客户端本地提示,用 VLM 伪标签在查询前把未标注池过滤成高纯度 ID 候选池,再交给任意下游主动学习策略;在 FedISIC 与 FedEMBED 两个联邦医学影像基准上,静态 VLM 提示的 ID 纯度会退化到约 50%,而 PromptGate 保持 95% 以上纯度并达到 98% 的 OOD 召回。
这篇Perspective文章提出InsightRP2框架,将临床数据、人工智能支持的影像分析、实验性疾病建模与腺相关病毒(AAV)设计整合为一个高度互动的转化研究策略,旨在推动针对RP2相关视网膜色素变性的靶向基因治疗开发。
已读完全部报道