医学与健康

该工作把通用视频世界模型V-JEPA 2在约62小时无标注声道实时MRI视频上继续自监督预训练，得到冻结的Arti-JEPA编码器，并在音素预测、口吃流畅/不流畅分类与舌切除术前术后迁移三类任务上评估，发现时间视频先验明显优于逐帧图像编码器、潜空间预测至少不弱于像素重建、域适配对跨域音素预测约翻倍Cohen's κ但对二分类口吃检测帮助有限，且术后音素信号仍可部分解码。

该工作提出HierSTT，一个端到端的分层Transformer框架，用Temporal Fusion Transformer建模国家级急诊需求、用时空Transformer编码器-解码器在国家级预测条件下生成区域与医院级预测，并以一致性感知损失惩罚跨层级不一致；同时发布覆盖葡萄牙81家医院、5个区域卫生管理局、含各层级异构协变量的全国急诊数据集，实验报告称相对最佳非分层深度学习基线平均WAPE降低32%，并优于经典分层调和方法，同时给出接近一致的跨层级预测。

该工作提出一个面向生成的3D-CLIP编码器，用仅在文本层面构造的结构化难负样本（属性感知负样本AAN与语义感知负样本SAN）在体数据编码器小批量约束下增强对比学习，并用其条件化一个直接在3D潜空间运行的端到端潜扩散模型，在CT-RATE的18种病理上取得更低的FID、更高的病理分类AUC与精确率，以及更快的推理速度和更低的显存占用。