Technical University of Munich

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。

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。

德累斯顿大学肿瘤中心在MASTERsg精准肿瘤项目中用梯度提升模型重读TSO500 panel测序的拷贝数原始分箱数据，专门找被标准流程漏掉的PTEN局灶缺失。TSO500按基因内分箱读数取平均，局灶事件达不到倍数变化阈值；模型在204例被判为PTEN野生型的样本中报出33例缺失，其中20例有组织可染色，15例显示PTEN蛋白缺失或明显降低。

德累斯顿大学肿瘤中心在MASTERsg精准肿瘤项目中用梯度提升模型重读TSO500 panel测序的拷贝数原始分箱数据，专门找被标准流程漏掉的PTEN局灶缺失。TSO500按基因内分箱读数取平均，局灶事件达不到倍数变化阈值；模型在204例被判为PTEN野生型的样本中报出33例缺失，其中20例有组织可染色，15例显示PTEN蛋白缺失或明显降低。

该工作提出 Multi-ISM，将计算机饱和突变（ISM）重构为稀疏恢复问题，用比逐变异穷举 ISM 少 45 倍的模型评估量生成突变图谱，在变异效应基准上达到或超过其精度，并应用于 5000 个蛋白编码基因（含 3317 个 OMIM 疾病基因），在 500-kb 窗口内生成碱基分辨率、组织分辨的归因图谱，用于增强子—基因优先级排序和细胞类型特异调控元件识别，其基因水平汇总显示受约束更强的基因预测突变效应更小，将预测聚合为基因水平罕见变异负荷后相较常见变异弹性网改善了表达预测，在表达离群样本上增益最大。

该工作提出 Multi-ISM，将计算机饱和突变（ISM）重构为稀疏恢复问题，用比逐变异穷举 ISM 少 45 倍的模型评估量生成突变图谱，在变异效应基准上达到或超过其精度，并应用于 5000 个蛋白编码基因（含 3317 个 OMIM 疾病基因），在 500-kb 窗口内生成碱基分辨率、组织分辨的归因图谱，用于增强子—基因优先级排序和细胞类型特异调控元件识别，其基因水平汇总显示受约束更强的基因预测突变效应更小，将预测聚合为基因水平罕见变异负荷后相较常见变异弹性网改善了表达预测，在表达离群样本上增益最大。

该工作提出一个由大语言模型智能体驱动的自主机器人超声框架：智能体从扫描手册中检索指南步骤，结合当前观测与扫描状态进行推理，动态调用轨迹规划、机器人执行、接触调整、语音引导和轨迹细化等工具，并用基于强化学习（PPO）的微调提升推理质量与工具选择及参数化的正确性；在10条未见过的超声扫描指南上做语言层面验证，微调后步骤级准确率由0.6512升至0.8973、整体成功率由0.5384升至0.9230，并在三名人类志愿者上完成胆囊、脊柱和肾脏的真实机器人扫描，脊柱与肾脏全部成功，胆囊有一例因需要屏气指令和患者配合而失败。

该工作提出一个由大语言模型智能体驱动的自主机器人超声框架：智能体从扫描手册中检索指南步骤，结合当前观测与扫描状态进行推理，动态调用轨迹规划、机器人执行、接触调整、语音引导和轨迹细化等工具，并用基于强化学习（PPO）的微调提升推理质量与工具选择及参数化的正确性；在10条未见过的超声扫描指南上做语言层面验证，微调后步骤级准确率由0.6512升至0.8973、整体成功率由0.5384升至0.9230，并在三名人类志愿者上完成胆囊、脊柱和肾脏的真实机器人扫描，脊柱与肾脏全部成功，胆囊有一例因需要屏气指令和患者配合而失败。

该工作提出一个形变感知的CBCT更新框架，用机器人超声作为动态代理推断组织运动：先以手眼标定初始化并用LC2做刚性精配准，再用轻量网络USCorUNet从相邻超声帧估计双向稠密形变场，经空间正则化后迁移到CBCT参考切片，从而在不增加辐射暴露的情况下实现实时端到端CBCT切片更新，并在体模与在体数据上验证了形变估计与超声引导CBCT更新的效果。

该工作提出一个形变感知的CBCT更新框架，用机器人超声作为动态代理推断组织运动：先以手眼标定初始化并用LC2做刚性精配准，再用轻量网络USCorUNet从相邻超声帧估计双向稠密形变场，经空间正则化后迁移到CBCT参考切片，从而在不增加辐射暴露的情况下实现实时端到端CBCT切片更新，并在体模与在体数据上验证了形变估计与超声引导CBCT更新的效果。

该研究在TotalSegmentator数据集的909,873张CT与MRI二维切片上，对冻结的BiomedParse（生物医学）与DINOv3（通用）基础模型嵌入训练Matryoshka稀疏自编码器（BatchTopK稀疏化），并设随机权重基线，发现稀疏特征能以最高R2=0.941重建原始嵌入、仅用10个特征即恢复87.8%下游性能（99.4%降维）、以5特征指纹保留97.7%稠密检索质量、经独立大模型评判对应可语言表达的单义概念，并在单条临床文本查询上实现零样本语言驱动图像检索。

该研究在TotalSegmentator数据集的909,873张CT与MRI二维切片上，对冻结的BiomedParse（生物医学）与DINOv3（通用）基础模型嵌入训练Matryoshka稀疏自编码器（BatchTopK稀疏化），并设随机权重基线，发现稀疏特征能以最高R2=0.941重建原始嵌入、仅用10个特征即恢复87.8%下游性能（99.4%降维）、以5特征指纹保留97.7%稠密检索质量、经独立大模型评判对应可语言表达的单义概念，并在单条临床文本查询上实现零样本语言驱动图像检索。

该工作提出 ConRad，一个基于强化学习的框架，用 GRPO 算法和对数评分规则奖励微调医学大视觉语言模型，使其在生成放射报告的同时输出报告级或句子级的言语化置信度，在 MIMIC-CXR 上报告级 ECE 降至 0.106、句子级 ECE 降至 0.239，并在 IU-Xray 零样本迁移中把 ECE 从 0.310 改善到 0.034，同时报告生成质量（GREEN）保持稳定。

该工作提出 ConRad，一个基于强化学习的框架，用 GRPO 算法和对数评分规则奖励微调医学大视觉语言模型，使其在生成放射报告的同时输出报告级或句子级的言语化置信度，在 MIMIC-CXR 上报告级 ECE 降至 0.106、句子级 ECE 降至 0.239，并在 IU-Xray 零样本迁移中把 ECE 从 0.310 改善到 0.034，同时报告生成质量（GREEN）保持稳定。

该工作提出 SCOPE，一种将因果学习器（S、T、RA-learner）与基于遗憾的反向归纳相结合的处方过程监控方法，直接从观测事件日志学习跨多个决策点对齐的序列干预策略，无需构建 MDP 或做数据增强；在 SimBank 与基于 BPIC17_W 事件日志新建的半合成基准 SimBPIC17 上，SCOPE 在多数实验设置中优于 KMeans-Q 与 SEP-S 等基线，并随训练集增大和决策点增多而扩大优势。

该工作提出 SCOPE，一种将因果学习器（S、T、RA-learner）与基于遗憾的反向归纳相结合的处方过程监控方法，直接从观测事件日志学习跨多个决策点对齐的序列干预策略，无需构建 MDP 或做数据增强；在 SimBank 与基于 BPIC17_W 事件日志新建的半合成基准 SimBPIC17 上，SCOPE 在多数实验设置中优于 KMeans-Q 与 SEP-S 等基线，并随训练集增大和决策点增多而扩大优势。