University of Chinese Academy of Sciences

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 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。

新加坡国立大学团队用稀土元素镥的单离子光钟实现迄今最精确计时，比此前最好的钙离子钟精确四倍，并通过两台镥钟互比在第19位数字上验证一致性，该成果发表于《自然》，被视为可能支撑“秒”重新定义与引力测绘等应用。

新加坡国立大学团队用稀土元素镥的单离子光钟实现迄今最精确计时，比此前最好的钙离子钟精确四倍，并通过两台镥钟互比在第19位数字上验证一致性，该成果发表于《自然》，被视为可能支撑“秒”重新定义与引力测绘等应用。

该工作提出 RIM（Retrieval-In-Matching）框架，通过从 Google 3D Tiles 渲染多位置、多高度、多朝向的无人机视角参考影像，并用姿态邻近正样本与地理远距难负样本两阶段适配 SALAD 检索器、再以局部几何一致性重排 Top-K 候选，同时冻结适配后的 DINOv2-B 检索器、从其 token 场与浅层 VGG19 细节流蒸馏出局部描述子解码器，使单次查询侧 DINOv2-B 前向同时支撑 SALAD 检索与局部描述；在重建的 EPFL Urbanscape 与自采集 Chang'an Park 两个与训练数据地理不相交的数据集上零样本评测，RIM 优于十个检索基线，在 25/50 m 全 3D 距离度量下 Recall@

该工作提出 RIM（Retrieval-In-Matching）框架，通过从 Google 3D Tiles 渲染多位置、多高度、多朝向的无人机视角参考影像，并用姿态邻近正样本与地理远距难负样本两阶段适配 SALAD 检索器、再以局部几何一致性重排 Top-K 候选，同时冻结适配后的 DINOv2-B 检索器、从其 token 场与浅层 VGG19 细节流蒸馏出局部描述子解码器，使单次查询侧 DINOv2-B 前向同时支撑 SALAD 检索与局部描述；在重建的 EPFL Urbanscape 与自采集 Chang'an Park 两个与训练数据地理不相交的数据集上零样本评测，RIM 优于十个检索基线，在 25/50 m 全 3D 距离度量下 Recall@

这篇综述系统梳理了鼻咽癌（NPC）现有随访方案与最新进展，一方面比较分析了主要随访指南中的随访频率、影像学手段（MRI、PET）、血浆EBV-DNA监测与功能评估，另一方面阐述了基因组学、影像组学和人工智能在NPC监测中的应用前景与研究进展，并指出基于条件生存模型等风险分层的个体化随访策略可提升监测的成本效益，而影像组学与人工智能在复发风险评估、预后分层和个体化监测方面展现出潜力。

这篇综述系统梳理了鼻咽癌（NPC）现有随访方案与最新进展，一方面比较分析了主要随访指南中的随访频率、影像学手段（MRI、PET）、血浆EBV-DNA监测与功能评估，另一方面阐述了基因组学、影像组学和人工智能在NPC监测中的应用前景与研究进展，并指出基于条件生存模型等风险分层的个体化随访策略可提升监测的成本效益，而影像组学与人工智能在复发风险评估、预后分层和个体化监测方面展现出潜力。

本文提出 ESPIRiT-Diffusion——一种物理引导的基于分数的扩散重建框架，将多组 ESPIRiT 线圈灵敏度图的数据一致性约束引入 Langevin 方程，用于 8.8 倍与 10.7 倍加速、各向同性 0.6 mm³ 分辨率的颅内与颈动脉联合血管壁成像（VWI）；回顾性实验（笛卡尔、CAIPI、变密度欠采样）中其重建表现优于 ESPIRiT、DL-ESPIRiT、SENSE-Diffusion 与 SPIRiT-Diffusion，并更好地保留细小血管壁结构；前瞻性患者实验中血管壁病灶显示良好，与 3 倍压缩感知参考相比，各血管节段及总体读者评分均无统计学显著差异。

本文提出 ESPIRiT-Diffusion——一种物理引导的基于分数的扩散重建框架，将多组 ESPIRiT 线圈灵敏度图的数据一致性约束引入 Langevin 方程，用于 8.8 倍与 10.7 倍加速、各向同性 0.6 mm³ 分辨率的颅内与颈动脉联合血管壁成像（VWI）；回顾性实验（笛卡尔、CAIPI、变密度欠采样）中其重建表现优于 ESPIRiT、DL-ESPIRiT、SENSE-Diffusion 与 SPIRiT-Diffusion，并更好地保留细小血管壁结构；前瞻性患者实验中血管壁病灶显示良好，与 3 倍压缩感知参考相比，各血管节段及总体读者评分均无统计学显著差异。