10 篇关联报道
空间转录组分析长期在单一尺度上做聚类，细胞、邻近细胞群和组织区域往往只能分开处理。SpatialZoomer 用一组谱图低通滤波从同一份数据中同时提取单细胞、数十个细胞构成的微环境以及组织域三个尺度的空间分子特征，并通过切分跨尺度相似图自动定位关键尺度。在阿尔茨海默病模型和肿瘤微环境数据上，它分别识别出特定尺度上的疾病进展信号和依赖空间环境的细胞亚型，单尺度任务表现与现有方法相当或更好，且计算开销和硬件要求更低。
该工作重新审视在线策略蒸馏（OPD）中反向KL散度的必要性，提出仅保留更新方向的二值奖励BinaryOPD，在数学与代码任务的多组师生配对上取得与OPD相当或略优的结果，并进一步发现只有教师与学生分歧较大的少量token的方向才是关键，据此提出让所有教师共同监督每个样本的C-MOPD，在数学与代码基准上稳定优于MOPD。
该工作提出 FetalAgents——一个基于 AutoGen 构建的多智能体系统，由 GPT-5-mini 驱动的 Coordinator 解析临床意图与解剖平面并动态调度专家智能体，专家智能体以确定性融合规则组合 FetalCLIP、nnU-Net、USFM、SAMUS、AoP-SAM 等专用视觉模型，Summarizer 汇总为结构化报告；在多中心外部数据集的八项临床任务（标准平面分类、脑平面分类、腹部与胃分割、AoP 估计、AC 与 HC 测量、GA 预测）上，FetalAgents 相比专用视觉模型、超声基础模型与通用/医学 MLLM 取得最优或最具竞争力的结果，并支持端到端视频流关键帧提取与报告生成。
该工作提出 NeuroSymb-MRG 框架，把图像特征映射为概率化临床概念，用可微逻辑层（乘积 t-范数 AND、概率和 OR、可学习门控 α）组合多跳溯因推理链，经规则解码器填入约 120 个模板并叠加检索证据与受限 LLM 改写，再用基于规则级预测熵（5 次 MC-dropout）与 k-center 多样性的主动采样（每轮 k=16）驱动临床医生在环审核；在 IU X-ray 与 MIMIC-CXR 上，BLEU-1 至 BLEU-4、ROUGE-L、METEOR 均优于所列代表性基线，例如 IU X-ray BLEU-1 为 0.602、MIMIC-CXR BLEU-1 为 0.487。
该工作提出 UltraStar，将超声心动图探头导航从路径回归重新表述为基于锚点的全局定位：用星型图把历史关键帧作为空间锚点直接连到当前视图以显式建模几何约束，并用语义感知采样从海量历史日志中挑选代表性标志点以减少冗余，在超过 131 万样本的数据集上实验显示其优于基线，且随输入长度增加扩展性更好，说明在带噪探索下星型拓扑是更有效的历史建模方式。
该工作提出 Vision-Action Adapter（VA-Adapter），将其插入超声基础模型（EchoCLIP、USFM、BiomedCLIP）冻结的图像编码器深层，通过编码历史“图像-动作”序列在线注入个体三维心脏结构理解能力，在178名成人、356条专家扫描轨迹、131万图像-动作对的数据集上，以约2.61M–3.97M可训练参数取得优于强探头导航基线的平移与旋转平均绝对误差。
该工作提出 MAP-Diff，一个多锚点引导的扩散框架，用于渐进式 3D 全身 PET 去噪：它把临床观测到的中间剂量扫描作为轨迹锚点，用时间步相关监督把反向过程正则化到与剂量形成过程对齐的中间状态，锚点时间步通过模拟扩散损坏与真实多剂量 PET 配对之间的退化匹配来校准，并用时间步加权锚点损失稳定分阶段学习；推理时只需超低剂量输入即可实现渐进、剂量一致的中间恢复；在内部（Siemens Biograph Vision Quadra）与跨扫描仪（United Imaging uEXPLORER）数据集上，相比 3D DDPM，内部数据 PSNR 由 42.48 dB 提升至 43.71 dB（+1.23 dB），SSIM 达 0.986，N
该研究对7个代表性扩散大语言模型（含闭源Mercury-Coder-Small）与4个开源自回归基线在HumanEval/HumanEval+、MBPP/MBPP+、HumanEval-X、LiveCodeBench、RepoQA、RepoBench-C及SWE-Bench Verified上做了代码生成中心的实证评测，发现扩散模型能力有前景但不均衡：闭源扩散模型在多数基准上最强（如MBPP+ 79.1%对最佳自回归基线73.3%），代码专用开源扩散模型优于通用扩散模型，开源扩散模型整体尚未稳定追平最强自回归基线，但在若干函数级基准上已具竞争力，且所选扩散与自回归模型组解决的问题集合部分不重叠（3
这篇由清华大学知识工程组撰写的综述系统梳理了面向基础模型（FM）的参数高效微调（PEFT）技术，将方法归纳为选择性、加性、提示、重参数化和混合五大类，并按大语言模型、视觉基础模型、视觉语言模型、视觉内容生成模型和多模态基础模型五类模型结构分别综述其应用，同时基于Semantic Scholar引用量给出三条趋势判断（PEFT整体快速增长；LLM与VFM主导；MFM相对欠探索），并指出可靠性、可解释性和统一基准等未来方向。
该工作提出 ProSMA-UNet，把 U 形医学分割网络的跳连重写为“解码器条件化的稀疏特征选择”问题：先用轻量深度可分离空洞卷积构建多尺度编解码兼容场，再用带可学习逐通道阈值的 ℓ1 近端算子（闭式软阈值）产生显式稀疏门，并叠加由全局解码器上下文驱动的通道门控，在 BUSI、GlaS、Kvasir-SEG 三个 2D 基准与 Medical Segmentation Decathlon 的 Spleen、Colon 两个 3D 基准上均报告最优结果，其中 Colon 的 F1 相对最强基线提升约 19%。
已读完全部报道