Karlsruhe Institute of Technology

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。