AI 与科学前沿 · 2026-09-25

该工作提出 StriMap 这一统一框架，通过整合识别界面的物理化学、序列上下文与结构特征来预测 TCR–肽–HLA 相互作用，报告了当前最优性能与更好的泛化能力；作为案例，作者从 43,241 个细菌蛋白的 1300 万条肽中筛选出候选分子模拟肽，并经实验验证其可激活表达强直性脊柱炎（AS）相关 TCR 的 T 细胞，其中一条验证靠前的肽在炎症性肠病（IBD）患者中富集，提示可能存在共有的微生物触发因素。

本文提出复合自适应控制障碍函数（CaCBF）算法，针对具有线性参数不确定性的非线性控制仿射系统，从由对数安全障碍、控制李雅普诺夫函数和参数误差项组成的复合能量函数推导自适应律，证明安全集前向不变（无需持续激励）、对状态导数测量有界误差鲁棒、所有闭环信号一致最终有界，并证明其容许控制集始终包含鲁棒对应集；在自适应巡航控制、全向机器人避障和平面无人机穿越窄门三个仿真中，CaCBF 在保持严格安全的同时恢复了鲁棒方法让出的性能余量。

该工作提出 IntraStyler，一种无需任何预定义子域的 3D 非配对图像翻译方法，用对比学习训练的风格编码器从每张目标域图像提取与解剖解耦的风格嵌入，并通过动态实例归一化条件化 QS-Attn 合成网络；在 CrossMoDA 基准（226 例标注 ceT1、295 例无标注 T2、测试集 96 例 T2）上，它自动聚类出 7 个风格参考而非子域方法的 3 个，下游 nnU-Net 分割在 Intra-VS、Extra-VS、Cochlea 上取得最佳 Dice 与 ASSD，Extra-VS Dice 达 0.81、失败数为 0。

作者提出 SEA-PEFT，把适配器配置当作微调过程中的在线分配问题，用“搜索—审计—分配”循环训练当前激活的适配器、通过临时关闭某个适配器来估计其 Dice 效用、再在参数预算下用贪心背包重新选择激活集合，并以 EMA+IQR 平滑和有限状态机稳定该循环；在 TotalSegmentator 与 FLARE’22 上，1/5/10-shot 设置下平均 Dice 比最强的固定拓扑 PEFT 基线高 2.4–2.8 分，同时训练参数少于 1%。

该工作提出并部署了一套自演化推荐系统，用Gemini系列LLM智能体充当机器学习工程师，通过离线快速循环（Offline Agent，每5分钟唤醒、每日运行）生成并离线打分候选配置、在线慢速循环（Online Agent，每日运行）排序并推进A/B实验，在YouTube多个推荐场景中自主发现了优化器切换（Adagrad→RMSprop、FTRL）、Gated Path（GLU）架构、激活精化、多目标奖励合成与奖励超参调优等改动，多项在线指标在95%置信水平上显著提升，并将实验吞吐从每周Θ(1)–Θ(10)提升到Θ(100)。

该工作提出 TSegAgent，把口内扫描三维模型的牙齿实例分割与 FDI 编号重构成零样本几何推理问题：先用多视角渲染（含曲率热图）配合 SAM3 文本提示“tooth”生成候选掩膜，再按 IoU 与包含关系合并为面级实例标签，随后由几何感知的视觉语言智能体经多轮对话完成非牙齿区域识别、中切牙定位、全牙弓分类与错误纠正；在含 1200 个三维牙齿模型的 Teeth3DS 上取得 mIoU 93.37、TLA 96.40、TSA 96.76、TIR 97.46、TIR=1 87.17，在来自合作诊所的 340 个更具缺陷与伪影的私有测试模型上取得 mIoU 82.10、TLA 96.68、TSA 95.99、TIR 85.41、TIR=1 5

该工作用 FLAME 形式化方法系统推导斜对称矩阵 X = LTLT（L 为单位下三角、T 为斜对称三对角）三角三对角化的一族算法，给出无主元与带主元的多种分块右看、左看及融合变体，识别出新的 level-2 与 level-3 BLAS 类运算，并借助 BLIS 2.0 的打包机制与 OpenMP 并行实现，实验表明其最佳实现性能大幅超过此前唯一已知软件 PFAPACK 与 Pfaffine，同时与相关对称矩阵分解软件相当或更优。

该研究提出 TotalFM，一个基于器官分离思路的 3D-CT 放射学基础模型：它用 TotalSegmentator 与 LLM 自动构建约 34 万个器官级“体积—文本”配对，先以 VideoMAE 自监督预训练、再做器官级对比学习，在零样本器官级病灶分类中平均 F1 达 0.708（CT-CLIP 为 0.515、Merlin 为 0.650），在 83%（25/30）的征象类别上 AUROC 高于 Merlin，并在报告生成上取得与 Merlin 相当的表现，同时把批量效率提升到 32 batch/GPU。

该工作提出Gabor基元用于MRI重建：用复指数调制高斯包络，使每个基元的频谱支撑可置于任意k空间位置，并设计几何基与强度基两组低秩时间模型刻画心脏运动与对比度变化；在99例笛卡尔（R=12、R=16）与102例径向（R≈23）心脏电影数据上，Gabor基元在全部设置中取得最高PSNR与SSIM，较高斯基元提升+1.11/+0.72/+0.86 dB，径向较PICS提升+2.34 dB，同时参数比ρ<0.5，并可连续分辨率评估实现4×超分辨。

该研究在ThyroidXL（11,635张图像、4,093名患者）上训练统一多任务模型，并在外部DDTI（660张图像）上测试，刻画了CNN（ResNet34）与医学ViT（MedSAM）在跨中心域偏移下分割与TI-RADS恶性分类之间的负迁移，并提出轻量级解码器侧适配器MKGA及其残差变体ResMKGA，通过多核感受野细化与语义上下文门控抑制伪影特征；结果显示适配器提升了域外分割稳定性（ResNet34+MKGA外部Dice 0.659、ResMKGA 0.671，对比未冻结基线0.590），并在CNN设置下显著提高TI-RADS诊断准确率（0.406→0.632，McNemar p<0.001）

该研究提出 OncoAgent，一个由大语言模型驱动的指南感知 AI 智能体框架，把自由文本临床指南解析为工具调用计划并执行，从而在无需任何专家标注训练数据的情况下生成三维靶区；在 40 例中段胸段食管癌计划 CT（32 例训练、8 例测试）上，其零样本 CTV Dice 为 0.842、PTV Dice 为 0.880，与全监督 nnU-Net（GTV Prior）的 0.862 和 0.893 在主指标上无统计学显著差异，并在双盲医师评分中于指南依从性、修改工作量和临床可接受性三项均高于该监督基线。

作者提出 IOSVLM——一个以点云表示口内扫描（IOS）、采用 3D 编码器-投影器-LLM 架构的端到端三维视觉语言模型，并构建 IOSVQA 数据集（19,002 例、249,055 条 VQA、23 种口腔疾病、单牙弓与咬合遮挡牙弓两类扫描），配合几何到色彩代理（GCP）与两阶段课程训练，在 IOSVQA 上取得 77.23% 宏准确率与 50.39% 宏 F1，优于包括 GPT-5 与 Gemini 3 Pro 在内的多类基线。

该工作提出 RPG-SAM，一个基于 SAM2 的免训练单样本息肉分割框架，用可靠性加权原型挖掘（RWPM）按对比因子与反向纯度因子加权支持图像的前景原型并以背景原型作负锚点抑制噪声，用几何自适应阈值选择（GAS）依据形态实心度与尺度一致性动态挑选二值化阈值，再用先验引导迭代精炼（PIR）循环修正边界，在 Kvasir 上取得 78.65% mIoU 与 85.65% mDice，较 ProtoSAM 分别提升 5.56% 与 4.11%，并在 PolypGen 三中心、CVC-ClinicDB、CVC-ColonDB 上报告了对比结果。

该工作提出 BiasRecon，一个基于“最小干预”原则的偏置校准自适应框架，通过交替优化频率引导的先验校准（在 U-Net 各跳跃连接层用可学习标量 α、β 调制低/高频分量，仅引入 2L 个参数）、基于分数的去噪以及用 Stein 无偏风险估计（SURE）自适应调节正则化参数 γ，在 FastMRI 膝（训练集，973 个体积）上训练后直接迁移到 FastMRI-Brain（跨解剖）、Stanford Knee（跨中心）和 CMRxRecon（组合偏移）三个开放世界测试集，在 8× 高斯一维欠采样下分别比 DDS 提升 +1.19 dB、+2.06 dB、+1.60 dB PSNR，并在 12 项采样/加速设置中 10 项最优。

该研究提出 PIRTA，一种检索增强生成框架：用大规模 MAE 自监督预训练的 3D ViT 编码器在图像域检索相似的 3D DWI/ADC 体积，再以这些病例配对的临床医生撰写报告作为证据增强 LLaMA3-8B-Instruct 生成报告，从而绕开显式图像—文本对齐；在 1,831 例多机构内部队列、580 例隐私保护外部队列和 206 例公开 ISLES 基准上，PIRTA 取得较强图像域检索性能（内部 mAP@1 94.0%），并在缺血区域准确率这一事实性替代指标上持续优于直接图像到文本的 2D 基线，多分类准确率分别领先最强 2D 基线 +57.2 / +34.5 / +30.6 个百分点。

这篇综述系统梳理了 AI for Mathematics（AI4Math）的进展、挑战与前景，将研究分为面向特定问题的建模（引导直觉、构造反例、封闭系统形式推理）与通用建模（自然语言推理、形式推理、数学信息检索）两条互补路线，并报告了作者自建的 PKU 本科与博士资格考试评测：GPT-4 平均分低于 60，而 o1、DeepSeek-R1、o3-mini、Gemini 2.5 Pro 等推理增强模型多数超过 90，o3-mini 在 58 道博士资格考试题上平均 84.4 分，同时指出研究级数学仍是开放难题。

该研究提出 MergeRepair 框架，在 CommitPackFT 的 Python 子集（59,113 条样本，其中 Bug Fixes/APR 占 19.02%）上为 Development、Bug Fixes、Misc、Test & QA、Improvement 五个任务各训练一个 LoRA 适配器，用 weight-averaging、ties、dare-ties 三种方法做等权合并，并提出按顺序逐步合并的 continual merging；在 StarCoder2 与 Granite 两个 3B 代码模型上以 HumanEvalFix 的 pass@1/pass@10 评估，结果显示合并适配器可在不额外训练的情况下提升 APR 表现，例如 Sta

该工作提出LRM-Functa，在VidFuncta的时间分辨调制向量上施加低秩约束（mt = v + Bβϕt），使心脏超声视频的隐空间呈现周期性螺旋轨迹，从而无需额外训练即可直接读出舒张末期（ED）与收缩末期（ES）帧，并在EchoNet-Dynamic上以k=2的极低秩保持稳定重建与射血分数预测性能，同时在POCUS心脏视图和肺超声B线分类上验证了泛化性。

该工作把自监督深度学习算法 BYOL 提取的源图像特征输入 Astronomaly: Protege 主动学习框架，在 MeerKAT 星系团遗产巡天（MGCLS）的高分辨率（约 7 角秒）、卷积（15 角秒）以及两者拼接的特征上评估管线，用人工标注目录中的示踪源作为引导与基准；结果显示高分辨率特征在早期识别上优于卷积特征、拼接特征整体最优，按 Protege 排序的前 100 个源中有 99 个呈现某种弥漫射电特征、55 个确认为星系团相关弥漫辐射，且仅用 300 个人工标签即可在 62,587 个源中检出 121 个示踪源中的 55 个。

该工作提出并形式化了“带示例的数据集搜索”（DSE）及其可解释扩展（ExDSE）任务，构建了首个同时提供数据集级与字段级人工标注的测试集DSEBench（141个测试用例、7,415个三元组，另含5,699个训练用例、122,585个三元组），并用大语言模型生成大规模训练标注，最后适配并评测了多种检索、重排与解释方法以建立基线。

该工作提出 KD-Brain，一个先验知识引导的图学习框架，通过将疾病特异的语义先验注入注意力 Query（Semantic-Conditioned Interaction）并用基于 KL 散度的 Pathology-Consistent Constraint 对齐学习到的子网络交互分布与临床先验，在 ABIDE（NYU）ASD 任务和单中心 BD、MDD 任务上取得优于 12 个基线的表现，并输出与精神病病理生理学一致的功能通路与关键脑区。

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。

该工作以 MedRAX 为实例，对使用工具的胸片问答智能体做分阶段公平性审计，提出 DUCX 框架把端到端偏差分解为工具暴露偏差、工具切换偏差与 LLM 推理偏差，并在 CheXAgentBench 与自建的 MIMIC-FairnessVQA 上、用五个驱动 LLM 评测，发现人口学差距在端到端指标上持续存在（均等机会差最高 20.79%，最低公平-效用权衡降至 28.65%），且工具使用、切换模式与推理文本中的子群差异无法仅由端到端评测预测（例如在分割工具可用条件下，子群效用差距最高达 50%）。

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 BioGait-VLM，一个在冻结的 InternVL3.5-1B 上构建的三模态（RGB 视觉、语言、显式生物力学）框架，通过时序证据蒸馏分支和将 3D 骨架运动学投影为语言对齐语义 token 的生物力学 token 化分支，在由公开 GAVD 与自采 30 例退行性颈椎病（DCM）队列合并而成的 8 类、1181 段视频、受试者不重叠的基准上取得 68.1% 准确率与 52.9% 宏 F1（DCM 类 F1 98.1%、异常步态 F1 80.4%），并由四位 DCM 领域专家在 52 段留出视频的盲法评审中于 69.2% 病例（36/52，p<0.001）将其评为优于基线。

作者基于两项随机对照试验的参考数据集开展中性模拟比较，按TRIPOD建议的多类指标评估Cox比例风险模型与随机生存森林在个体生存概率预测上的表现，发现仅依据C指数得出的结论未必可推广到其他预测性能维度，总体性能类指标通常给出更合理的结果，随机生存森林的标准对数秩分裂规则在非比例风险情形下可能被替代分裂规则超越，随机生存森林在含治疗—协变量交互的数据中性能下降较小，而Cox比例风险模型的性能受比例风险假设违背的影响。

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 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。

该工作提出首个把提示依赖显式拆分为提示歧义（用户间差异）与局部敏感度（交互不精确）的框架：用混合密度网络建模图像条件下的合理提示分布并以协方差迹量化歧义，用稳定裕度刻画在测量噪声下引发掩膜变化所需的最小扰动，并在UT-EndoMRI（81例子宫内膜异位症患者、子宫分割）与MOGaMBO（94例局部晚期宫颈癌患者、膀胱分割）两套女性盆腔T2加权MRI上评估MobileSAM与MedSAM，发现两个指标与Dice呈显著负相关、彼此相关性低，且条件采样得到的像素级不确定度图与分割错误区域对齐。

该工作提出脑层级组织学习框架 BrainHO，用可学习的子图 token 与图 token 通过层级注意力按节点特征亲和度自底向上聚合脑区，并配合子图正交约束与层级一致性约束，在 ABIDE（N=1009，516 例 ASD/493 例健康对照）与 REST-meta-MDD（N=2380，1276 例 MDD/1104 例健康对照）上仅使用静态 PCC 连接矩阵即取得最高准确率（69.68% 与 64.71%）与最高敏感度（73.11% 与 67.43%），同时可视化出与 SMN、DAN 等预定义网络部分重合、又跨越多个预定义网络的疾病相关子网。

该工作提出 Fact-Flow 框架，将视觉事实识别与报告生成解耦：先用 LLM 自动从训练报告中抽取并合并临床发现标签体系（结核 7 个标签、眼科 42 个标签），再训练多标签分类器预测发现，最后把预测标签序列化为提示引导 MLLM 生成报告；在结核胸片数据集上 MedGemma + Fact-Flow 取得 RadFact F1 0.3055（对比 MedGemma 单独 0.2266），在眼科数据集上 Qwen2.5-VL + Fact-Flow 在多数 NLG 指标上最优。

该工作提出 AbSteering 框架，通过异常中心思维链训练与基于直接偏好优化的细粒度异常判别两阶段方法，将通用视频语言模型适配到高分辨率 CT 报告生成，并构建 CT-RATE-AB 数据集；结果显示通用视频语言模型在有限数据下可有效迁移到三维医学影像，在细粒度临床效能指标上达到当前最优，检出敏感度优于用大规模 CT 预训练的领域专用 CT 基础模型，同时减少幻觉。

AllShowers 是一个基于 Transformer 架构的连续归一化流生成模型，用单一模型在高度粒度的 ILD 探测器中生成电子、光子以及带电和中性强子的量能器簇射，无需重新训练即可覆盖较宽的入射能量与角度范围，并在强子簇射的保真度上超过此前针对单一粒子类型训练的模型。

该工作提出 OPGAgent，一个由 GPT-5.2 规划、按 ReAct 范式编排分层证据采集、专用工具箱与共识子智能体的多工具牙科智能体，并配套提出基于（位置、字段、取值）三元组、源自真实临床报告的 OPG-Bench 评测协议；在含 1,009 例匿名全景片与 5,219 条 VQA 对的 OPG-Bench 上，OPGAgent 取得 42.3% 精确匹配 F1、49.7% 综合得分、43.1% 精确率与每例 4.89 个假阳性，并在 MMOral-OPG 上以 62.53% 准确率领先。

该工作提出 MedQ-Engine 闭环数据引擎，通过“评估—探索—进化”三阶段迭代：在开发集上把模型失败案例聚类为失败原型，用原型视觉分量在约百万张、覆盖五种模态的医学图像池中检索候选样本，配合熵引导路由的渐进式人在回路标注与质量保障微调，仅用 10K 标注即让 8B 参数模型在医学图像质量评估上超过 GPT-4o 逾 13%、与人类专家差距缩小到 4.34%，样本效率比随机采样高 4 倍以上。

该研究提出ICHOR，一种基于3D掩码自编码器（ViT-Base编码器加轻量解码器）的ASL脑血流（CBF）图自监督预训练框架，在来自14项研究、多站点多协议的11405例ASL CBF扫描上预训练，并在三项诊断分类任务和一项ASL CBF图质量预测回归任务上评估，结果显示其在四项任务上整体优于BrainIAC、BrainSegFounder和MedicalNet等结构MRI预训练基线。

该工作提出假设驱动的测试时自适应框架 HD-TTA：在冻结 nnU-Net v2 主干、仅优化测试样本 logits 的前提下，先用 Gatekeeper 判断样本是否需要修正，再并行生成「压缩去噪」与「膨胀恢复」两个几何假设，并用基于纹理一致性的表示引导选择器挑选最安全结果；在 BraTS 2023 GLI 上训练、在儿科 PED 与脑膜瘤 MEN 两个未见目标域上以固定超参数评估，HD-TTA 在保持 Dice 相当的同时改善了安全性指标，在 MEN 上相对最强基线 TCA 将 HD95 从 70.96 mm 降至 64.55 mm（约 6.4 mm），精度从 15.36% 提升至 19.64%。

作者提出 DP-RGMI 框架，把差分隐私训练视为表征空间的结构化变换，用表征位移、谱有效维度和线性探针与端到端 AUROC 之差（利用差距）三个量来分解隐私带来的性能下降；在 PadChest 主数据集（110,525 张正位胸片、22,045 张测试图）以及 CheXpert、ChestX-ray14 等共超过 594,000 张胸片、三种预训练初始化（ImageNet、DINOv3、MIMIC-CXR）上，他们发现强隐私下线性可分性大体保留但利用差距持续存在（如 ImageNet ε=1.0 时 G=8.0，MIMIC ε=0.7 时 G=3.4，DINOv3 ε=0.7 时 G=6.1），而位移与谱有效维度呈非单调、依赖初始化与

该工作提出 BrainSTR 时空对比学习框架，通过数据驱动的自适应相位划分学习状态一致的相位边界、用注意力识别诊断关键相位、并用经二值化、时间平滑与稀疏正则化的增量图结构生成器提取各相位内疾病相关连接，再以时空监督对比学习利用诊断相关的时空模式细化样本相似度度量，从而构建结构良好的语义空间；在 ASD、BD、MDD 上的实验验证了其有效性，所发现的关键相位与子网络提供了与既往神经影像发现一致的可解释证据。

该工作提出 UniField，一个统一的多模态、多任务 MRI 场强增强框架：它把 T1、T2、FLAIR 以及 64mT→3T、3T→7T 等跨场强任务合并到单一模型中，借助预训练视频超分模型 FlashVSR 的潜空间与 LoRA 微调引入 3D 结构先验，并用场强感知频谱校正机制（FASRM）按源/目标场强的物理特性调整低、中、高频损失权重，同时整理并公开一个来自五家机构、规模比既有基准大一个数量级的配对多场强 MRI 数据集；实验报告相对对比方法平均提升约 1.81 dB PSNR 和 9.47% SSIM。

该工作提出Surgical Action World（SAW），把视频到视频扩散重构为轨迹条件的手术动作合成，仅以语言提示、参考首帧、组织可操作区域掩码和2D器械尖端轨迹四个轻量信号为条件，在自建的12,044段腹腔镜视频片段上微调LTX-Video并引入深度一致性损失，在留出测试集上取得CD-FVD 199.19（对比SurgSora的546.82）与FVD 224.28，并展示用生成视频增强稀缺动作后真实测试集上动作识别F1提升（clipping 20.93%→43.14%，cutting 0.00%→8.33%），以及从仿真器导出轨迹渲染器械-组织交互视频的初步可行性。

该研究在运动想象脑机接口中采用留一类别的分布外检测设置，先在某些类别上训练模型，再观察未见过的新运动类别能否通过不确定性升高被识别；结果显示，由于脑电信号固有的高变异性，许多受试者对熟悉类别的预测不确定性反而高于分布外类别，导致在其他机器学习领域表现良好的多种分布外检测方法在此失效，但分布外检测性能与在任务上的表现相关，深度集成模型和MC-Dropout模型在任务表现高的模型与受试者上可取得在任务AUROC大于0.9、分布外检测能力最高约0.7，说明当任务表现足够高时拒绝陌生认知状态是可行的。

该研究提出 HierEM 分层期望最大化框架，把每个站点观察到的前列腺病灶标注视为潜在“干净”病灶掩膜的有噪观测，在 E 步推断体素级潜在掩膜后验、在 M 步用该后验作软目标训练 CNN 并用 logistic-normal 分层先验估计站点与病例级敏感度、特异度，在三个站点数据上池化留出评估的每站点平均 DSC 为 29.50%–39.69%，留一站泛化为 27.91%–32.67%，相对对比方法取得统计显著提升（p < 0.039），并给出可解释的站点标注质量估计（特异度 β≈0.99 时敏感度 α 为 31.5%–47.3%）。

该工作把科学多智能体强化学习（SMARL）用于地球物理湍流的亚网格闭合建模：以从少量高保真样本估计的拟涡能谱为奖励，在线学习Leith模型系数，使分辨率比DNS粗160至163840倍的LES在长达训练数据约2000倍的模拟中稳定运行，并复现DNS的动能谱与涡量概率密度函数，包括代表极端事件的尾部。

该研究提出 NeuralShift——一个基于 U-Net 的模型，仅以术前 MRI 和编码切除侧别的半球指示掩膜为输入，预测从术前到术中 MRI 的稠密位移场、术中脑掩膜及其符号距离函数；在 98 例癫痫颞叶切除患者的配对 T1 加权 MRI 上以 9 折交叉验证评估，预测掩膜与术中掩膜的 Dice 为 0.97±0.01（术前掩膜为 0.92±0.01），切除侧与中线标志点的 TRE 由未变形术前的约 4.58 mm 降至约 2.96 mm（左侧）和约 4.41 mm 降至约 2.89 mm（右侧），最低达 1.12 mm。

这篇综述整合了微生物药物代谢、辅料–菌群相互作用、纳米载体–菌群界面、菌群响应型释放机制与实验模型的证据，提出一套作者自述的、基于证据的口服制剂设计框架，包含辅料–菌群风险分类、纳米载体设计规则、菌群响应型给药决策逻辑和分层测试路线图，并以地高辛被 Eggerthella lenta 灭活、细菌代谢左旋多巴、细菌 β-葡萄糖醛酸酶介导伊立替康毒性等临床相关例子说明菌群可影响口服药物的稳定性、活性、暴露与安全性。