医学与健康

461 条内容

bioRxiv 2026年9月26日
作者提出 HANAMI（Heterogeneous grAph coNtrastive leArning for drug-gene-disease Motif predIction），一个整合化学结构、基因组序列与临床表型等多源异质生物医学知识的多视图深度图学习框架，通过关系感知拓扑编码、结构感知聚合与对比学习来预测药物-基因-疾病模体；在基准数据集上的系统评估显示，其在模体预测上较现有最优方法最高提升约 6%，在涉及未见实体的零样本设置中保持约 18% 的性能优势，并能优先排序已进入 II 期或 III 期试验的药物-疾病关系、识别提示合理机制联系的候选基因。
作者提出 HANAMI（Heterogeneous grAph coNtrastive leArning for drug-gene-disease Motif predIction），一个整合化学结构、基因组序列与临床表型等多源异质生物医学知识的多视图深度图学习框架，通过关系感知拓扑编码、结构感知聚合与对比学习来预测药物-基因-疾病模体；在基准数据集上的系统评估显示，其在模体预测上较现有最优方法最高提升约 6%，在涉及未见实体的零样本设置中保持约 18% 的性能优势，并能优先排序已进入 II 期或 III 期试验的药物-疾病关系、识别提示合理机制联系的候选基因。
HANAMI 用异构图对比学习预测药物-基因-疾病模体，在基准数据上较现有最优方法最高提升约 6%，零样本场景下保持约 18% 优势
作者提出 HANAMI（Heterogeneous grAph coNtrastive leArning for drug-gene-disease Motif predIction），一个整合化学结构、基因组序列与临床表型等多源异质生物医学知识的多视图深度图学习框架，通过关系感知拓扑编码、结构感知聚合与对比学习来预测药物-基因-疾病模体；在基准数据集上的系统评估显示，其在模体预测上较现有最优方法最高提升约 6%，在涉及未见实体的零样本设置中保持约 18% 的性能优势，并能优先排序已进入 II 期或 III 期试验的药物-疾病关系、识别提示合理机制联系的候选基因。
作者提出 HANAMI（Heterogeneous grAph coNtrastive leArning for drug-gene-disease Motif predIction），一个整合化学结构、基因组序列与临床表型等多源异质生物医学知识的多视图深度图学习框架，通过关系感知拓扑编码、结构感知聚合与对比学习来预测药物-基因-疾病模体；在基准数据集上的系统评估显示，其在模体预测上较现有最优方法最高提升约 6%，在涉及未见实体的零样本设置中保持约 18% 的性能优势，并能优先排序已进入 II 期或 III 期试验的药物-疾病关系、识别提示合理机制联系的候选基因。
arXiv 2026年9月26日
该工作提出 SCISSR，一个以手绘涂鸦为提示的交互式手术场景分割框架：它用一个轻量 Scribble Encoder 把涂鸦转成与掩码解码器兼容的稠密提示嵌入，配合 Spatial Gated Fusion 与可开关 LoRA 适配器，在冻结 SAM 2 主干的前提下支持多轮纠错，在 EndoVis 2018 上五轮交互达到 95.41% Dice，在未参与训练的 CholecSeg8k 上三轮达到 96.30% Dice，均优于迭代式点提示。
该工作提出 SCISSR，一个以手绘涂鸦为提示的交互式手术场景分割框架：它用一个轻量 Scribble Encoder 把涂鸦转成与掩码解码器兼容的稠密提示嵌入，配合 Spatial Gated Fusion 与可开关 LoRA 适配器，在冻结 SAM 2 主干的前提下支持多轮纠错，在 EndoVis 2018 上五轮交互达到 95.41% Dice，在未参与训练的 CholecSeg8k 上三轮达到 96.30% Dice，均优于迭代式点提示。
SCISSR 用涂鸦提示替代点与框：在 EndoVis 2018 达 95.41% Dice、跨域 CholecSeg8k 达 96.30% Dice
该工作提出 SCISSR，一个以手绘涂鸦为提示的交互式手术场景分割框架：它用一个轻量 Scribble Encoder 把涂鸦转成与掩码解码器兼容的稠密提示嵌入，配合 Spatial Gated Fusion 与可开关 LoRA 适配器，在冻结 SAM 2 主干的前提下支持多轮纠错，在 EndoVis 2018 上五轮交互达到 95.41% Dice，在未参与训练的 CholecSeg8k 上三轮达到 96.30% Dice，均优于迭代式点提示。
该工作提出 SCISSR，一个以手绘涂鸦为提示的交互式手术场景分割框架：它用一个轻量 Scribble Encoder 把涂鸦转成与掩码解码器兼容的稠密提示嵌入，配合 Spatial Gated Fusion 与可开关 LoRA 适配器，在冻结 SAM 2 主干的前提下支持多轮纠错，在 EndoVis 2018 上五轮交互达到 95.41% Dice，在未参与训练的 CholecSeg8k 上三轮达到 96.30% Dice，均优于迭代式点提示。
arXiv 2026年9月26日
该工作提出 Latent-to-Latent Flow（L2L-Flow），先用体积标签自编码器把标签压到潜空间，再在图像条件潜先验与冻结的标签潜表示之间学习整流流，从而在放疗临床靶区（55例、5折交叉验证）和 CURVAS 多器官数据集（90例）上实现随机分割，推理速度比全分辨率 Flow-SSN 快约14倍（0.936 秒/图对 15.296 秒/图），GED 为 0.161，并同时提出时间偏移噪声调度以改善 Flow-SSN 在高维体积数据上的稳定性。
该工作提出 Latent-to-Latent Flow（L2L-Flow），先用体积标签自编码器把标签压到潜空间，再在图像条件潜先验与冻结的标签潜表示之间学习整流流，从而在放疗临床靶区（55例、5折交叉验证）和 CURVAS 多器官数据集（90例）上实现随机分割，推理速度比全分辨率 Flow-SSN 快约14倍（0.936 秒/图对 15.296 秒/图），GED 为 0.161，并同时提出时间偏移噪声调度以改善 Flow-SSN 在高维体积数据上的稳定性。
L2L-Flow 把体积随机分割搬到潜空间：放疗靶区推理提速约14倍，GED 0.161 仍具竞争力
该工作提出 Latent-to-Latent Flow（L2L-Flow），先用体积标签自编码器把标签压到潜空间，再在图像条件潜先验与冻结的标签潜表示之间学习整流流，从而在放疗临床靶区（55例、5折交叉验证）和 CURVAS 多器官数据集（90例）上实现随机分割，推理速度比全分辨率 Flow-SSN 快约14倍（0.936 秒/图对 15.296 秒/图），GED 为 0.161，并同时提出时间偏移噪声调度以改善 Flow-SSN 在高维体积数据上的稳定性。
该工作提出 Latent-to-Latent Flow（L2L-Flow），先用体积标签自编码器把标签压到潜空间，再在图像条件潜先验与冻结的标签潜表示之间学习整流流，从而在放疗临床靶区（55例、5折交叉验证）和 CURVAS 多器官数据集（90例）上实现随机分割，推理速度比全分辨率 Flow-SSN 快约14倍（0.936 秒/图对 15.296 秒/图），GED 为 0.161，并同时提出时间偏移噪声调度以改善 Flow-SSN 在高维体积数据上的稳定性。
arXiv 2026年9月26日
该工作提出 Dual-Adaptive SAM3（DA-SAM3），在 SAM3 的融合模块中把部分前馈网络替换为双自适应 MoE 层：任务侧用 Dynamic Expert Router（DER）同时依据视觉内容与文本概念提示稀疏激活专家，参数侧用 Decomposed Parameterized Experts（DPE）把每个专家表示为继承自预训练 SAM3 的共享冻结基座加轻量低秩增量，从而在 Synapse CT、MMWHS、BTCV、ACDC 四个公开数据集上匹配或超过全量微调 SAM3 与标准 MoE 基线，并相对当时最先进方法取得约 5% 的提升，同时把 MoE 参数开销降低 80% 以上。
该工作提出 Dual-Adaptive SAM3（DA-SAM3），在 SAM3 的融合模块中把部分前馈网络替换为双自适应 MoE 层：任务侧用 Dynamic Expert Router（DER）同时依据视觉内容与文本概念提示稀疏激活专家，参数侧用 Decomposed Parameterized Experts（DPE）把每个专家表示为继承自预训练 SAM3 的共享冻结基座加轻量低秩增量，从而在 Synapse CT、MMWHS、BTCV、ACDC 四个公开数据集上匹配或超过全量微调 SAM3 与标准 MoE 基线，并相对当时最先进方法取得约 5% 的提升，同时把 MoE 参数开销降低 80% 以上。
DA-SAM3 用双自适应低秩专家路由，在四个公开医学分割基准上以超过 80% 的 MoE 参数削减取得约 5% 的精度提升
该工作提出 Dual-Adaptive SAM3（DA-SAM3），在 SAM3 的融合模块中把部分前馈网络替换为双自适应 MoE 层：任务侧用 Dynamic Expert Router（DER）同时依据视觉内容与文本概念提示稀疏激活专家，参数侧用 Decomposed Parameterized Experts（DPE）把每个专家表示为继承自预训练 SAM3 的共享冻结基座加轻量低秩增量，从而在 Synapse CT、MMWHS、BTCV、ACDC 四个公开数据集上匹配或超过全量微调 SAM3 与标准 MoE 基线，并相对当时最先进方法取得约 5% 的提升，同时把 MoE 参数开销降低 80% 以上。
该工作提出 Dual-Adaptive SAM3（DA-SAM3），在 SAM3 的融合模块中把部分前馈网络替换为双自适应 MoE 层：任务侧用 Dynamic Expert Router（DER）同时依据视觉内容与文本概念提示稀疏激活专家，参数侧用 Decomposed Parameterized Experts（DPE）把每个专家表示为继承自预训练 SAM3 的共享冻结基座加轻量低秩增量，从而在 Synapse CT、MMWHS、BTCV、ACDC 四个公开数据集上匹配或超过全量微调 SAM3 与标准 MoE 基线，并相对当时最先进方法取得约 5% 的提升，同时把 MoE 参数开销降低 80% 以上。
arXiv 2026年9月26日
该工作提出 PC-Seg（Progressive Cross-view Segmentation），一个五阶段课程学习框架：先用单个 2D 模型在标准 B-scan 与正交切片之间学习跨视角一致性以生成可靠体素伪标签，再蒸馏到 3D 模型，最后通过 2D/3D 集成伪标签协同训练；在 MSHC 与 Duke DME 两个公开 OCT 数据集上，仅用约 0.7% 的标注数据即取得与全监督相当的分割精度，并优于所比较的半监督与视网膜分层方法。
该工作提出 PC-Seg（Progressive Cross-view Segmentation），一个五阶段课程学习框架：先用单个 2D 模型在标准 B-scan 与正交切片之间学习跨视角一致性以生成可靠体素伪标签，再蒸馏到 3D 模型，最后通过 2D/3D 集成伪标签协同训练；在 MSHC 与 Duke DME 两个公开 OCT 数据集上，仅用约 0.7% 的标注数据即取得与全监督相当的分割精度，并优于所比较的半监督与视网膜分层方法。
PC-Seg 用五阶段课程学习把稀疏 2D 标注提升为 3D OCT 分割，仅用约 0.7% 标注即达到全监督精度
该工作提出 PC-Seg（Progressive Cross-view Segmentation），一个五阶段课程学习框架：先用单个 2D 模型在标准 B-scan 与正交切片之间学习跨视角一致性以生成可靠体素伪标签，再蒸馏到 3D 模型，最后通过 2D/3D 集成伪标签协同训练；在 MSHC 与 Duke DME 两个公开 OCT 数据集上，仅用约 0.7% 的标注数据即取得与全监督相当的分割精度，并优于所比较的半监督与视网膜分层方法。
该工作提出 PC-Seg（Progressive Cross-view Segmentation），一个五阶段课程学习框架：先用单个 2D 模型在标准 B-scan 与正交切片之间学习跨视角一致性以生成可靠体素伪标签，再蒸馏到 3D 模型，最后通过 2D/3D 集成伪标签协同训练；在 MSHC 与 Duke DME 两个公开 OCT 数据集上，仅用约 0.7% 的标注数据即取得与全监督相当的分割精度，并优于所比较的半监督与视网膜分层方法。
bioRxiv 2026年9月26日
该研究以22例患者来源的63个类器官样本、TCGA-COAD/READ（n=624）与GSE39582（n=536）共1,160例外部验证、GDSC2/DepMap细胞系面板及65株独立患者来源结直肠癌类器官生物库为材料，检验MDM2双启动子（P1/P2）使用是否作为分子开关区分染色体不稳定型与环境适应型（微卫星不稳定/锯齿状通路伴胃化生）两种结直肠癌表型，发现深度学习形态分类测试准确率达98.5%（64/65），形态与P1/P2异构体使用相对应（P1主导样本中Type1紧凑腺管形态中位比例0.826对0.444，非Type1囊性黏液形态对应P2主导，AUC 0.79），P2特征在错配修复缺陷（
该研究以22例患者来源的63个类器官样本、TCGA-COAD/READ（n=624）与GSE39582（n=536）共1,160例外部验证、GDSC2/DepMap细胞系面板及65株独立患者来源结直肠癌类器官生物库为材料，检验MDM2双启动子（P1/P2）使用是否作为分子开关区分染色体不稳定型与环境适应型（微卫星不稳定/锯齿状通路伴胃化生）两种结直肠癌表型，发现深度学习形态分类测试准确率达98.5%（64/65），形态与P1/P2异构体使用相对应（P1主导样本中Type1紧凑腺管形态中位比例0.826对0.444，非Type1囊性黏液形态对应P2主导，AUC 0.79），P2特征在错配修复缺陷（
MDM2启动子P1/P2切换与结直肠癌谱系可塑性：深度学习形态分类98.5%准确率，P2指数在TP53野生型中更高且Nutlin-3a敏感性更强
该研究以22例患者来源的63个类器官样本、TCGA-COAD/READ（n=624）与GSE39582（n=536）共1,160例外部验证、GDSC2/DepMap细胞系面板及65株独立患者来源结直肠癌类器官生物库为材料，检验MDM2双启动子（P1/P2）使用是否作为分子开关区分染色体不稳定型与环境适应型（微卫星不稳定/锯齿状通路伴胃化生）两种结直肠癌表型，发现深度学习形态分类测试准确率达98.5%（64/65），形态与P1/P2异构体使用相对应（P1主导样本中Type1紧凑腺管形态中位比例0.826对0.444，非Type1囊性黏液形态对应P2主导，AUC 0.79），P2特征在错配修复缺陷（
该研究以22例患者来源的63个类器官样本、TCGA-COAD/READ（n=624）与GSE39582（n=536）共1,160例外部验证、GDSC2/DepMap细胞系面板及65株独立患者来源结直肠癌类器官生物库为材料，检验MDM2双启动子（P1/P2）使用是否作为分子开关区分染色体不稳定型与环境适应型（微卫星不稳定/锯齿状通路伴胃化生）两种结直肠癌表型，发现深度学习形态分类测试准确率达98.5%（64/65），形态与P1/P2异构体使用相对应（P1主导样本中Type1紧凑腺管形态中位比例0.826对0.444，非Type1囊性黏液形态对应P2主导，AUC 0.79），P2特征在错配修复缺陷（
arXiv 2026年9月26日
该工作提出CalcSeg，一个置信度感知的潜在3D上下文课程学习框架，用Dice、瘢痕负荷百分比误差与蒙特卡洛Dropout估计的认知不确定性自动为每个样本打分，按阶段从易到难扩展训练集，并用切片级自注意力从单栈2D LGE-CMR推断受试者级3D解剖上下文；在来自四个中心与两个分割挑战（MICCAI 2012 LV Infarct、EMIDEC 2020）共976例患者的LGE-CMR数据上，其心肌瘢痕Dice达0.677±0.24、低置信样本Dice达0.644±0.22、瘢痕误差38.88%、低置信样本瘢痕误差35.03%，优于TransUNet、AttentionUNet、UNETR、ScarN
该工作提出CalcSeg，一个置信度感知的潜在3D上下文课程学习框架，用Dice、瘢痕负荷百分比误差与蒙特卡洛Dropout估计的认知不确定性自动为每个样本打分，按阶段从易到难扩展训练集，并用切片级自注意力从单栈2D LGE-CMR推断受试者级3D解剖上下文；在来自四个中心与两个分割挑战（MICCAI 2012 LV Infarct、EMIDEC 2020）共976例患者的LGE-CMR数据上，其心肌瘢痕Dice达0.677±0.24、低置信样本Dice达0.644±0.22、瘢痕误差38.88%、低置信样本瘢痕误差35.03%，优于TransUNet、AttentionUNet、UNETR、ScarN
CalcSeg用置信度感知课程学习与切片自注意力，在单栈LGE-CMR上把心肌瘢痕分割Dice提升到0.677、低置信病例提升到0.644
该工作提出CalcSeg，一个置信度感知的潜在3D上下文课程学习框架，用Dice、瘢痕负荷百分比误差与蒙特卡洛Dropout估计的认知不确定性自动为每个样本打分，按阶段从易到难扩展训练集，并用切片级自注意力从单栈2D LGE-CMR推断受试者级3D解剖上下文；在来自四个中心与两个分割挑战（MICCAI 2012 LV Infarct、EMIDEC 2020）共976例患者的LGE-CMR数据上，其心肌瘢痕Dice达0.677±0.24、低置信样本Dice达0.644±0.22、瘢痕误差38.88%、低置信样本瘢痕误差35.03%，优于TransUNet、AttentionUNet、UNETR、ScarN
该工作提出CalcSeg，一个置信度感知的潜在3D上下文课程学习框架，用Dice、瘢痕负荷百分比误差与蒙特卡洛Dropout估计的认知不确定性自动为每个样本打分，按阶段从易到难扩展训练集，并用切片级自注意力从单栈2D LGE-CMR推断受试者级3D解剖上下文；在来自四个中心与两个分割挑战（MICCAI 2012 LV Infarct、EMIDEC 2020）共976例患者的LGE-CMR数据上，其心肌瘢痕Dice达0.677±0.24、低置信样本Dice达0.644±0.22、瘢痕误差38.88%、低置信样本瘢痕误差35.03%，优于TransUNet、AttentionUNet、UNETR、ScarN
arXiv 2026年9月26日
该工作提出 KANResDiff，用 Kolmogorov-Arnold 网络实现局部残差扩散以做模糊医学图像分割：以基于 B 样条的 Independent Time Encoding 替代 MLP 线性时间嵌入以增强各推理阶段独立性，并以 Residual Schrödinger Bridge 用可学习权重注入确定性残差先验，在 LIDC 与 ISIC3 两个公开数据集上取得 GED 与 HM-IoU 的最优结果，GED 最大改善 16.8%、HM-IoU32 最大改善 7.7%，同时 MDM 保持有竞争力的水平。
该工作提出 KANResDiff，用 Kolmogorov-Arnold 网络实现局部残差扩散以做模糊医学图像分割：以基于 B 样条的 Independent Time Encoding 替代 MLP 线性时间嵌入以增强各推理阶段独立性，并以 Residual Schrödinger Bridge 用可学习权重注入确定性残差先验，在 LIDC 与 ISIC3 两个公开数据集上取得 GED 与 HM-IoU 的最优结果，GED 最大改善 16.8%、HM-IoU32 最大改善 7.7%，同时 MDM 保持有竞争力的水平。
KANResDiff 用 KAN 样条时间编码与局部薛定谔桥做残差扩散，在 LIDC 与 ISIC3 上把 GED 最多降低 18.8%、HM-IoU32 最多提升 7.7%
该工作提出 KANResDiff，用 Kolmogorov-Arnold 网络实现局部残差扩散以做模糊医学图像分割：以基于 B 样条的 Independent Time Encoding 替代 MLP 线性时间嵌入以增强各推理阶段独立性，并以 Residual Schrödinger Bridge 用可学习权重注入确定性残差先验，在 LIDC 与 ISIC3 两个公开数据集上取得 GED 与 HM-IoU 的最优结果，GED 最大改善 16.8%、HM-IoU32 最大改善 7.7%，同时 MDM 保持有竞争力的水平。
该工作提出 KANResDiff，用 Kolmogorov-Arnold 网络实现局部残差扩散以做模糊医学图像分割：以基于 B 样条的 Independent Time Encoding 替代 MLP 线性时间嵌入以增强各推理阶段独立性，并以 Residual Schrödinger Bridge 用可学习权重注入确定性残差先验，在 LIDC 与 ISIC3 两个公开数据集上取得 GED 与 HM-IoU 的最优结果，GED 最大改善 16.8%、HM-IoU32 最大改善 7.7%，同时 MDM 保持有竞争力的水平。
arXiv 2026年9月26日
该工作提出 ProSMA-UNet，把 U 形医学分割网络的跳连重写为“解码器条件化的稀疏特征选择”问题：先用轻量深度可分离空洞卷积构建多尺度编解码兼容场，再用带可学习逐通道阈值的 ℓ1 近端算子（闭式软阈值）产生显式稀疏门，并叠加由全局解码器上下文驱动的通道门控，在 BUSI、GlaS、Kvasir-SEG 三个 2D 基准与 Medical Segmentation Decathlon 的 Spleen、Colon 两个 3D 基准上均报告最优结果，其中 Colon 的 F1 相对最强基线提升约 19%。
该工作提出 ProSMA-UNet，把 U 形医学分割网络的跳连重写为“解码器条件化的稀疏特征选择”问题：先用轻量深度可分离空洞卷积构建多尺度编解码兼容场，再用带可学习逐通道阈值的 ℓ1 近端算子（闭式软阈值）产生显式稀疏门，并叠加由全局解码器上下文驱动的通道门控，在 BUSI、GlaS、Kvasir-SEG 三个 2D 基准与 Medical Segmentation Decathlon 的 Spleen、Colon 两个 3D 基准上均报告最优结果，其中 Colon 的 F1 相对最强基线提升约 19%。
ProSMA-UNet 用 ℓ1 近端稀疏门控替换 U-Net 跳连的稠密注意力，在 2D 与 3D 医学分割基准上取得最优，3D 结肠任务 F1 提升约 19%。
该工作提出 ProSMA-UNet，把 U 形医学分割网络的跳连重写为“解码器条件化的稀疏特征选择”问题：先用轻量深度可分离空洞卷积构建多尺度编解码兼容场，再用带可学习逐通道阈值的 ℓ1 近端算子（闭式软阈值）产生显式稀疏门，并叠加由全局解码器上下文驱动的通道门控，在 BUSI、GlaS、Kvasir-SEG 三个 2D 基准与 Medical Segmentation Decathlon 的 Spleen、Colon 两个 3D 基准上均报告最优结果，其中 Colon 的 F1 相对最强基线提升约 19%。
该工作提出 ProSMA-UNet，把 U 形医学分割网络的跳连重写为“解码器条件化的稀疏特征选择”问题：先用轻量深度可分离空洞卷积构建多尺度编解码兼容场，再用带可学习逐通道阈值的 ℓ1 近端算子（闭式软阈值）产生显式稀疏门，并叠加由全局解码器上下文驱动的通道门控，在 BUSI、GlaS、Kvasir-SEG 三个 2D 基准与 Medical Segmentation Decathlon 的 Spleen、Colon 两个 3D 基准上均报告最优结果，其中 Colon 的 F1 相对最强基线提升约 19%。
Research Square 2026年9月26日
这项回顾性队列研究分析了印度德里Indira IVF生育中心2022年1月至2024年12月间的340个冻胚移植周期，对第5天囊胚同时进行传统Gardner形态学评分与Life Whisperer™人工智能活力评分，以血清β-hCG阳性判定着床成功，结果显示237枚胚胎（69.7%）着床成功，人工智能活力评分具有独立预测能力（着床率从低活力的53.5%升至74.2%，ROC曲线下面积为0.91），而人工智能衍生的遗传预测与PGT-A的一致性仅为中等（Cohen's κ=0.257）。
这项回顾性队列研究分析了印度德里Indira IVF生育中心2022年1月至2024年12月间的340个冻胚移植周期，对第5天囊胚同时进行传统Gardner形态学评分与Life Whisperer™人工智能活力评分，以血清β-hCG阳性判定着床成功，结果显示237枚胚胎（69.7%）着床成功，人工智能活力评分具有独立预测能力（着床率从低活力的53.5%升至74.2%，ROC曲线下面积为0.91），而人工智能衍生的遗传预测与PGT-A的一致性仅为中等（Cohen's κ=0.257）。
Life Whisperer人工智能囊胚评估在340个冻胚移植周期中预测着床，AUC达0.91，但与PGT-A一致性仅为κ=0.257
这项回顾性队列研究分析了印度德里Indira IVF生育中心2022年1月至2024年12月间的340个冻胚移植周期，对第5天囊胚同时进行传统Gardner形态学评分与Life Whisperer™人工智能活力评分，以血清β-hCG阳性判定着床成功，结果显示237枚胚胎（69.7%）着床成功，人工智能活力评分具有独立预测能力（着床率从低活力的53.5%升至74.2%，ROC曲线下面积为0.91），而人工智能衍生的遗传预测与PGT-A的一致性仅为中等（Cohen's κ=0.257）。
这项回顾性队列研究分析了印度德里Indira IVF生育中心2022年1月至2024年12月间的340个冻胚移植周期，对第5天囊胚同时进行传统Gardner形态学评分与Life Whisperer™人工智能活力评分，以血清β-hCG阳性判定着床成功，结果显示237枚胚胎（69.7%）着床成功，人工智能活力评分具有独立预测能力（着床率从低活力的53.5%升至74.2%，ROC曲线下面积为0.91），而人工智能衍生的遗传预测与PGT-A的一致性仅为中等（Cohen's κ=0.257）。

第 13 页 · 当前显示 10 项