预测目标也交给模型学:LIFT-MASLD 在外部队列把预测相关系数做到 0.836
代谢功能障碍相关脂肪性肝病(MASLD)的预后模型通常先固定一个终点,再优化预测器。LIFT-MASLD 反过来,用 SCORE 从八项肝脏指标中学出一个最易由基线特征预测的加权表型,并以稀疏回归挑选基线变量。在 HALO 队列中该表型预测相关系数为 0.860,高于用全部基线变量预测未来肝硬度的 0.763;在未重新拟合的 NIDDK 外部队列中为 0.836。
代谢功能障碍相关脂肪性肝病(MASLD)的预后模型通常先固定一个终点,再优化预测器。LIFT-MASLD 反过来,用 SCORE 从八项肝脏指标中学出一个最易由基线特征预测的加权表型,并以稀疏回归挑选基线变量。在 HALO 队列中该表型预测相关系数为 0.860,高于用全部基线变量预测未来肝硬度的 0.763;在未重新拟合的 NIDDK 外部队列中为 0.836。
HEAL-Surv把成像质谱流式细胞术(IMC,在保留细胞位置的前提下测量单个细胞蛋白标记的技术)和DNA甲基化放进只在训练阶段使用的教师模型,让学生模型在推理时仅凭分子与临床输入预测乳腺癌五年净疾病特异性生存。在423名METABRIC患者的五折交叉验证中,与同一架构、同样推理输入但只学观测结局的学生相比,蒸馏把五年Uno一致性均值从0.658提高到0.704,但积分Brier分数和五年Brier分数同时升高。
常规H&E染色切片只呈现细胞形态,此前病理基础模型以多细胞视野为单位,难以回答单个细胞的分子状态能否从形态中读出。Loki2以约1500万个细胞、覆盖15种组织与22个主要细胞谱系的UniSeg资源做分子到形态的知识蒸馏,把每个细胞核的形态嵌入对齐到转录组嵌入。在细胞分型任务上,Loki2的加权F1为0.806、加权准确率0.807,而作为冻结特征提取器的PLIP、GigaPath、UNI加权F1在0.574至0.608之间;其可检索的基因偏向形态上可区分的细胞身份与功能。
纵向随访数据让生存预测更准,却也让模型更难解释,而现有解释方法要么绑定特定模型,要么只处理静态协变量。DynSurvX把时间归因拆成两步:先按整体重要性筛出值得细看的纵向特征,再只对这些特征自适应细分时间窗,从而给出随新测量更新的时间分辨解释。在模拟数据和两个临床数据集上,它与理论重要性的吻合程度随预测模型性能提高而提高,相对时间解释基线WindowSHAP减少41–80%计算时间。
MS-HVED把轴位、冠状位、矢状位三个方向的低分辨率脑部MRI层堆分别编码成多尺度高斯后验,再用带视野掩膜的乘积融合,同一个模型无需重训即可接受任意非空方向子集。在30例尼日利亚临床脑部MRI组成的盲法阅片研究中,7位神经放射科专家在210次配对评估中有187次把整体图像质量票投给MS-HVED而非监督基线SegResNet;当轴位或冠状位输入被刻意省略时,这一偏好仍然存在。
布朗桥扩散模型在同一张CT条件下能生成多张质量不一的PET候选,但常规训练只逐样本对齐真值,没有利用这些候选之间的相对优劣。MedicalDPO把空间、强度、结构三个保真维度上的排序自动转成偏好对,再用相对去噪误差的偏好目标与原始布朗桥目标联合微调。在BBDM与CPDM两个骨干上,LPIPS、MAE、SSIM、PSNR四项指标均有改善;BBDM采用多对轮换时LPIPS与MAE分别下降11.67%和13.22%。
跨域少样本分割要把自然图像预训练的编码器迁移到医学或工业图像,只靠少量带像素标注的支持样本。SMIA在冻结的DINOv3每个注意力头聚合之后插入一个条件分支,用接收位置在注意力之前的局部状态去决定该头消息如何更新,从而让相近的上下文消息在不同位置产生不同甚至相反的修正。在覆盖5个医学数据集与MVTec AD全部15类的20个任务上,它只训练0.51M参数,5样本与10样本六数据集平均mIoU分别为77.40%和80.99%,比各自最强先前方法高3.61和3.93个百分点。
临床人群的睡眠更碎,觉醒更多、N1更多、快速眼动睡眠更少,而自动分期模型多在健康人身上训练,迁移到患者时性能下降。研究者让一个1.36亿参数的睡眠基础模型SleepGPT在每队列仅25%患者标签上微调,再以教师—学生方式指导一个3.1万参数、122 KB的因果CNN-GRU实时分期脑电与眼电。新的过渡感知蒸馏损失Gcv-TAD在患者级10折交叉验证中,把每患者宏F1比同标签监督训练平均提高3.2至7.6个百分点,增益最大出现在N1,性能接近全量标签训练。
在肺结节恶性度概念瓶颈模型上,把选择性状态空间块卷积输入的掩码置零、并让被关闭 token 在读出时权重为零,概念与任务 logit 就对被关闭 token 的内容严格不变;15 个交叉验证模型逐路径敲除全部复现这一模式,最大 logit 变化恰为 0,而违反条件时为 4.1 到 6.7。门控本身既不必要也不充分,门控图更像掩码监督得到的定位支持集,而非对恶性判断的解释。
面向患者的医疗大模型通常靠大规模医疗指令数据做监督微调来获得领域知识,但这一过程会削弱模型原有的安全对齐。S-BDS 在双层数据选择的上层目标中加入熵正则,抑制选择权重过度集中,使大规模候选池中的样本排序更可靠,并以经临床医生审核的安全数据作为上层信号。在 Llama-3.1-8B-Instruct 与 Qwen3-8B-Instruct 上,S-BDS 的 PatientSafetyBench 安全率均为对比方法中最高,分别比最强基线 SEAL 高 4.64 和 3.00 个百分点,同时 HealthBench 医疗能力得分保持有竞争力。