Heidelberg University

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。

作者提出SpaCEy（Spatial Clinical Explainability），一种可解释图神经网络：把每个组织样本按Delaunay三角剖分建成空间图，节点为单细胞蛋白标志物丰度、不使用预定义细胞类型或解剖区域作为输入，用GNN学习预测嵌入并配GNNExplainer式解释器输出边掩码、再聚合k跳邻域得到节点重要性，从而定位与临床结局相关的连续空间区域和关键蛋白；在416例肺腺癌队列预测进展（准确率0.68、F1 0.68、AUC 0.62，优于Ali等0.61/0.59/0.57与SPACE-GM 0.55/0.52/0.52），在720样本JacksonFischer与460样本METAB

作者提出SpaCEy（Spatial Clinical Explainability），一种可解释图神经网络：把每个组织样本按Delaunay三角剖分建成空间图，节点为单细胞蛋白标志物丰度、不使用预定义细胞类型或解剖区域作为输入，用GNN学习预测嵌入并配GNNExplainer式解释器输出边掩码、再聚合k跳邻域得到节点重要性，从而定位与临床结局相关的连续空间区域和关键蛋白；在416例肺腺癌队列预测进展（准确率0.68、F1 0.68、AUC 0.62，优于Ali等0.61/0.59/0.57与SPACE-GM 0.55/0.52/0.52），在720样本JacksonFischer与460样本METAB

该研究在WORD、AMOS、CT-1K和AbdomenAtlas四个腹部CT数据集上，用nnU-Net、MedSAM、TotalSegmentator及四个规模的STU-Net共七个模型生成伪标签，构造不同质量的标签版本，再以DynUNet在相同确定性训练设置下分别做域内训练和预训练加微调；结果显示域内性能与标签质量强正相关且呈非线性、数据量可部分补偿质量，而预训练后微调在绝大多数设置下显著优于无预训练基线，且预训练标签质量高低不再明显影响下游结果。

该研究在WORD、AMOS、CT-1K和AbdomenAtlas四个腹部CT数据集上，用nnU-Net、MedSAM、TotalSegmentator及四个规模的STU-Net共七个模型生成伪标签，构造不同质量的标签版本，再以DynUNet在相同确定性训练设置下分别做域内训练和预训练加微调；结果显示域内性能与标签质量强正相关且呈非线性、数据量可部分补偿质量，而预训练后微调在绝大多数设置下显著优于无预训练基线，且预训练标签质量高低不再明显影响下游结果。

该研究用神经常微分方程（NODE）在290条悬浮扩散云室中生长的冰晶质量比时间序列上同时优化，学习沉积冰增长模型中未知的传递系数G的函数形式，再用符号回归（PySR）导出闭式表达式，发现弱约束NODE模型在290个实验中138个表现最佳（MSE损失16495，优于无表面动力学模型的41396和Nelson and Baker 1996的40751），并给出含冰晶质量m附加项的公式G = a0·Gc^a1·[a2 + a3/m]^-1 + a4，该式在AIDA气溶胶与云室独立实验中对冰面过饱和度和冰水含量的预测优于电容增长模型与Nelson and Baker 1996模型。

该研究用神经常微分方程（NODE）在290条悬浮扩散云室中生长的冰晶质量比时间序列上同时优化，学习沉积冰增长模型中未知的传递系数G的函数形式，再用符号回归（PySR）导出闭式表达式，发现弱约束NODE模型在290个实验中138个表现最佳（MSE损失16495，优于无表面动力学模型的41396和Nelson and Baker 1996的40751），并给出含冰晶质量m附加项的公式G = a0·Gc^a1·[a2 + a3/m]^-1 + a4，该式在AIDA气溶胶与云室独立实验中对冰面过饱和度和冰水含量的预测优于电容增长模型与Nelson and Baker 1996模型。