医学与健康

这篇综述指出，随着算力提升和人工智能发展，当前数字孪生（DT）可通过机制驱动与数据驱动的混合模型整合多组学数据，实现对患者、器官和细胞的个性化模拟，从而使DT在药物评价和药物重定位发现中的应用成为可能；作者梳理了DT在药物评价全流程中的现有与新兴应用，提出了一份分阶段发展路线图，并进一步强调了实现DT在药物评价中全部潜力所必须解决的关键挑战，同时指出快速发展中已出现的实践与监管问题。

这篇综述概述了法医鉴定中分子技术的演进，从限制性片段长度多态性（RFLP）和短串联重复序列（STR）分析等传统DNA分型方法，延伸到线粒体DNA（mtDNA）分析、Y染色体标记和二代测序（NGS），并审视这些技术在犯罪现场调查、人身识别、亲缘关系分析和大规模灾难遇难者识别中的原理、应用、优势与局限，同时提及法医基因组学、表观遗传学和基于微生物组的方法的新进展，以及生物信息学和人工智能在数据解读中日益增长的作用，并指出数据复杂性、伦理考量和全球标准化需求仍是主要关切。

该工作提出TextCSP，一个在TextBraTS基线上构建的分层文本引导脑肿瘤分割框架，包含文本调制的软级联解码器（按WT→TC→ET由粗到细预测）、子区域感知提示调优（用可学习软提示配合LoRA适配的BioBERT生成三个分支专用文本表示）以及文本语义通道调制器（把文本表示转为通道级细化信号）；在TextBraTS数据集上，其平均Dice达87.0%、平均HD95为4.81毫米，较此前最佳结果TextBraTS分别提升1.7%和约6%（0.32毫米），且三个子区域均有一致提升。

该工作提出 SIUM，把每个模态子集的任务表示建模为高斯分布（均值承载任务信息、方差度量缺失证据带来的不确定性），用不确定性感知对齐损失把子集均值拉向全模态锚点并按二者差异放大方差，再用不确定性排序损失约束子集方差高于其超集，在 BraTS 2018 与 2020 的多种缺失模态配置下取得优于 RFNet、mmFormer、M3AE、DC-Seg 的分割精度。

该工作提出DINO-3DRA双路径框架，将冻结的2D视觉基础模型DINOv3-Small特征通过Room-Lite空间混合与校准残差融合注入可训练的3D U-Net主干，在多中心3D旋转血管造影（3DRA）@neurIST数据（233例、四家机构）上实现动脉瘤分割Dice 0.758、HD95 2.75 mm、较nnU-Net提升13%，仅需5.72M可训练参数；消融显示增益来自结构化跨维度迁移而非损失设计，且在CADA（n=45）与SHINY-ICARUS（n=30）上不经微调即把Dice<0.5的失败病例从11.1%和3.3%降至0%。

该工作提出SegDINO，用冻结的DINOv3-S编码器提取第3、6、9、12层中间特征，通过Token Pyramid Adaptation（TPA）把同分辨率token重排为1/4至1/32的伪多尺度金字塔，再用Scale-Aware Decoding（SAD）做尺度内细化与自顶向下跨尺度传播，并发布含284例胰腺癌患者CT的PanCT数据集；在PanCT与TN3K、Kvasir-SEG、ISIC三个公开基准上，SegDINO的DSC与HD95均优于U-Net、SegNet、R2U-Net、Attention U-Net、TransUNet、U-NeXt、U-KAN，模型共27.68M参数、推理速

该工作提出少样本多标注者医学图像分割问题，并给出以原型为中心的个人化框架：先由多标注者掩膜求平均得到共识掩膜与共识原型，再以每个标注者原型相对共识原型的偏差作为注意力键，用共享自注意力对拼接后的标注者原型进行校准，配合校准损失、由超像素伪标签经随机结构化边界变换生成的伪风格监督以及两阶段训练；在CURVAS腹部CT（肾、胰、肝，三位专家，20训练/65测试）与QUBIQ脑生长MRI（一位类别、七位标注者，34训练/5测试）上，以逐标注者Dice评估，方法在标准与严格未见类两种设置下相对SSL-ALPNet与DSPNet等原型基线取得一致提升，例如Abd-CT设置1中DSPNet由61.52升至

该工作提出BiM-GeoAttn-Net，在nnU-Net瓶颈处级联双向深度Mamba（BiM）与几何感知血管注意力（GeoAttn），在71例多来源Stanford B型主动脉夹层CTA数据上以二分类方式分割真假腔血管前景，取得Dice 93.35%、IoU 87.53%、Recall 94.85%、Precision 92.04%与HD95 12.36 mm，在重叠指标上优于Attention U-Net、nnU-Net、Swin-UNet、SegFormer3D与Mamba-UNet，边界精度与计算开销保持竞争力。

该工作提出位移保持关系蒸馏（DPRD），在 nnU-Net 中对 ROI 掩码后的病例级嵌入做批量成对位移向量对齐并配合关系尺度归一化，在 ISLES 2022 与 AMOS 2022 上以约5%教师参数和约3% FLOPs 的学生取得优于 Logits KD、FitNet、RKD、CIRKD 的分割结果，AMOS 上 Dice 达 85.46%、HD95 降至 11.72 mm。