Zhejiang University

复杂流动中的粒子输运通常靠求解纳维—斯托克斯方程，数值与实验方法成本高，已有机器学习方法在稀疏数据下难以外推长程粒子轨迹。TrajectoryFlowNet 把拉格朗日视角的粒子轨迹与欧拉视角的全场速度、压力放进同一个物理约束网络，只用少量轨迹测量就同时给出全场流动和任意粒子的长程路径。验证覆盖数值算例（顶盖驱动方腔流、复杂圆柱绕流）与实验血流（主动脉、心室），在含不规则边界的流动中保持预测的物理一致性。

复杂流动中的粒子输运通常靠求解纳维—斯托克斯方程，数值与实验方法成本高，已有机器学习方法在稀疏数据下难以外推长程粒子轨迹。TrajectoryFlowNet 把拉格朗日视角的粒子轨迹与欧拉视角的全场速度、压力放进同一个物理约束网络，只用少量轨迹测量就同时给出全场流动和任意粒子的长程路径。验证覆盖数值算例（顶盖驱动方腔流、复杂圆柱绕流）与实验血流（主动脉、心室），在含不规则边界的流动中保持预测的物理一致性。

研究提出 StrokeAgent——一个围绕时间对齐与持续信息综合构建的多模态智能体决策支持框架，可处理临床记录、实验室结果、原始心电图波形与源多模态 CT 图像，支持急诊分诊、初始溶栓决策与最终再灌注规划，并在 100 例富含复杂再灌注情境的多模态患者数据中与专家最终决策达成 86% 一致率，高于三个无工具大语言模型均值 13 个百分点、高于六名住院与主治神经科医生均值 17 个百分点，完整路径一致率为 76%，平均比病例层面神经科医生中位用时快 73.9 秒，且在 1200 次盲法临床医生评估中获得更高的总体临床效用评分与推理质量评分、更少被判定为存在严重潜在危害。

研究提出 StrokeAgent——一个围绕时间对齐与持续信息综合构建的多模态智能体决策支持框架，可处理临床记录、实验室结果、原始心电图波形与源多模态 CT 图像，支持急诊分诊、初始溶栓决策与最终再灌注规划，并在 100 例富含复杂再灌注情境的多模态患者数据中与专家最终决策达成 86% 一致率，高于三个无工具大语言模型均值 13 个百分点、高于六名住院与主治神经科医生均值 17 个百分点，完整路径一致率为 76%，平均比病例层面神经科医生中位用时快 73.9 秒，且在 1200 次盲法临床医生评估中获得更高的总体临床效用评分与推理质量评分、更少被判定为存在严重潜在危害。

作者提出 IOSVLM——一个以点云表示口内扫描（IOS）、采用 3D 编码器-投影器-LLM 架构的端到端三维视觉语言模型，并构建 IOSVQA 数据集（19,002 例、249,055 条 VQA、23 种口腔疾病、单牙弓与咬合遮挡牙弓两类扫描），配合几何到色彩代理（GCP）与两阶段课程训练，在 IOSVQA 上取得 77.23% 宏准确率与 50.39% 宏 F1，优于包括 GPT-5 与 Gemini 3 Pro 在内的多类基线。

作者提出 IOSVLM——一个以点云表示口内扫描（IOS）、采用 3D 编码器-投影器-LLM 架构的端到端三维视觉语言模型，并构建 IOSVQA 数据集（19,002 例、249,055 条 VQA、23 种口腔疾病、单牙弓与咬合遮挡牙弓两类扫描），配合几何到色彩代理（GCP）与两阶段课程训练，在 IOSVQA 上取得 77.23% 宏准确率与 50.39% 宏 F1，优于包括 GPT-5 与 Gemini 3 Pro 在内的多类基线。

该工作提出BiM-GeoAttn-Net，在nnU-Net瓶颈处级联双向深度Mamba（BiM）与几何感知血管注意力（GeoAttn），在71例多来源Stanford B型主动脉夹层CTA数据上以二分类方式分割真假腔血管前景，取得Dice 93.35%、IoU 87.53%、Recall 94.85%、Precision 92.04%与HD95 12.36 mm，在重叠指标上优于Attention U-Net、nnU-Net、Swin-UNet、SegFormer3D与Mamba-UNet，边界精度与计算开销保持竞争力。

该工作提出BiM-GeoAttn-Net，在nnU-Net瓶颈处级联双向深度Mamba（BiM）与几何感知血管注意力（GeoAttn），在71例多来源Stanford B型主动脉夹层CTA数据上以二分类方式分割真假腔血管前景，取得Dice 93.35%、IoU 87.53%、Recall 94.85%、Precision 92.04%与HD95 12.36 mm，在重叠指标上优于Attention U-Net、nnU-Net、Swin-UNet、SegFormer3D与Mamba-UNet，边界精度与计算开销保持竞争力。

该工作提出 Fact-Flow 框架，将视觉事实识别与报告生成解耦：先用 LLM 自动从训练报告中抽取并合并临床发现标签体系（结核 7 个标签、眼科 42 个标签），再训练多标签分类器预测发现，最后把预测标签序列化为提示引导 MLLM 生成报告；在结核胸片数据集上 MedGemma + Fact-Flow 取得 RadFact F1 0.3055（对比 MedGemma 单独 0.2266），在眼科数据集上 Qwen2.5-VL + Fact-Flow 在多数 NLG 指标上最优。

该工作提出 Fact-Flow 框架，将视觉事实识别与报告生成解耦：先用 LLM 自动从训练报告中抽取并合并临床发现标签体系（结核 7 个标签、眼科 42 个标签），再训练多标签分类器预测发现，最后把预测标签序列化为提示引导 MLLM 生成报告；在结核胸片数据集上 MedGemma + Fact-Flow 取得 RadFact F1 0.3055（对比 MedGemma 单独 0.2266），在眼科数据集上 Qwen2.5-VL + Fact-Flow 在多数 NLG 指标上最优。

该工作研究用 ReLU 深度卷积神经网络（CNN）逼近高阶 Korobov 函数 f∈K^m+1_p(Ω) 的 Lp 误差，证明当深度 L≤Csd⁴m³N(log_2 N) 时存在网络使 inf‖f−f_L‖_Lp(Ω)≤C_m,d‖D^m+1f‖_Lp(Ω)N^−m−1(log_2 N)^(m+2)(d−1)，即把以往基于二阶混合导数的 O(L^−2+1/p) 阶逼近率提升到 (m+1) 阶（相差对数因子），并据此指出 CNN 的高阶表达能力并未严重受维度灾难影响。

该工作研究用 ReLU 深度卷积神经网络（CNN）逼近高阶 Korobov 函数 f∈K^m+1_p(Ω) 的 Lp 误差，证明当深度 L≤Csd⁴m³N(log_2 N) 时存在网络使 inf‖f−f_L‖_Lp(Ω)≤C_m,d‖D^m+1f‖_Lp(Ω)N^−m−1(log_2 N)^(m+2)(d−1)，即把以往基于二阶混合导数的 O(L^−2+1/p) 阶逼近率提升到 (m+1) 阶（相差对数因子），并据此指出 CNN 的高阶表达能力并未严重受维度灾难影响。