AI 核心

该研究让1003名抑郁症患者阅读描述不同AI参与程度心理治疗（无AI的人类治疗师、辅助式AI、协作式AI、全自主AI）的情景材料并作出评价，结果发现参与者一致更青睐人类治疗师，表现为更高的求助意愿、更低的犹豫程度和更高的治疗可接受性，相比人类治疗师，他们对使用辅助或协作式AI的治疗师愿少付31.6%的费用，对全自主AI愿少付57.2%，18-19%的参与者表示会拒绝涉及辅助或协作式AI的治疗，31%会拒绝全自主AI，且这种对人类治疗师的偏好在其经验水平较高（博士或硕士）时比同伴或受训者更为明显。

该工作提出稳定性约束信息论特征选择（SCITFS），把条件熵、归一化互信息最大化与惩罚自助样本间特征排序方差的稳定性项整合进一个形式化目标，并用带单调性保证的贪心前向选择实现 O(B n^2 m d^4 + k n^2) 的计算复杂度；在八个基准数据集、五种分类器（SVM、随机森林、k-NN、XGBoost、逻辑回归）上，SCITFS 优于信息增益、互信息、mRMR、ReliefF、Fisher Score 与 JMI，SVM 平均准确率提升 3.7%、随机森林提升 4.2%，并实现 92.3% 的特征缩减而保持性能；Friedman 检验（χ² = 127.4，p < 0.001）与带 Bonferroni 校正的 Wilcoxon 符号秩检

本文提出 Ridezy——一个去中心化信任架构，用边缘人工智能与物联网（AIIoT）持续监测车道保持、限速合规、制动行为和交通标志遵守等行为指标，把行为摘要放在链下处理、仅将加密哈希、可信度更新与支付记录锚定到 Polygon 智能合约，并与传统评分制、纯 AI 架构、纯区块链架构三种信任模型在行为检测性能、端到端时延、成本效率、吞吐量、信誉稳定性、防篡改以及组件消融等维度上进行比较，结果显示该混合架构在保持低单次行程链上成本并通过批量链上提交实现可扩展运行的同时，取得更高的行为保真度与更强的信任保证。

该工作提出一种弱监督、免检测的多实例学习框架，用双分支门控注意力池化在整张宫颈细胞学切片层面做预测，把全片视为局部实例块的集合，从而无需单细胞边界框或像素级标注；在内部多中心队列（SIPaKMeD、Herlev、CRIC）与经无监督标记控制分水岭流程处理的域外 Mendeley LBC 验证队列上评估，结果显示轻量骨干 MobileNetV2 在同分布多中心准确率上最优（90.96% 准确率、0.9800 ROC-AUC），而容量更大的 Xception 在域移下域外稳健性更好（80.43% 平衡准确率）。

该工作提出可解释的 Fuzzy Rank-H2O AutoML 框架，用模糊排序特征选择（FRFS）综合统计显著性、信息增益、临床重要性与不确定性挑选预测因子，再由 H2O AutoML 自动构建集成模型，并用 SHAP 与 LIME 提供全局与患者级解释；在两个公开宫颈癌数据集上以分层五折交叉验证评估，每折仅对训练集施加 SMOTE 以避免信息泄漏，报告的最高准确率为 95.1%、AUC 为 98.1%，优于传统机器学习模型与基线 H2O AutoML 框架。

这篇综述系统梳理了基于人工智能、机器学习、深度学习和生成对抗网络（GAN）的自闭症谱系障碍（ASD）筛查研究，重点考察行为、遗传、环境、神经影像、生理与临床等多模态数据的融合方式以及GAN在合成数据生成与数据增强中的作用，并指出多模态AI相比单模态方法可能更全面地刻画ASD相关特征，但仍面临数据集有限且异质、类别不平衡、多模态整合困难、GAN训练不稳定、合成数据质量、隐私安全、可解释性、泛化性与外部临床验证不足等挑战。

该研究提出一个基于URL特征与主机特征双分支、并用抗泄漏的Out-Of-Fold堆叠机制融合的混合机器学习钓鱼网站检测系统，在包含11,055个实例、17个特征的UCI Phishing Websites数据集上取得92.67%的准确率和0.9788的ROC-AUC，优于单一特征集模型，交叉验证显示低方差的泛化表现，特征重要性分析显示基于交互的元特征对分类精度贡献显著。