胎儿超声早筛不再依赖海量标注：RadarMAE用雷达式掩码预训练，跨院指标下降不超过0.04
早孕期唐氏筛查的超声图像分辨率低、结构差异大，而罕见异常病例稀少，使常规自监督预训练难以奏效。RadarMAE改用同心圆环与角度扇区交替遮挡的雷达式掩码，迫使网络学习颅面结构的连续曲率与细长形态，在内部队列上取得AUC 0.99、准确率0.97。配合域对抗适配，模型在四家外部医院仅用无标注图像校准，关键指标相对内部的下降被限制在0.04以内。
衍射图不能当照片学：只靠ImageNet预训练的模型在背景噪声里“看出”相分数，物理预训练才盯住布拉格环
同步辐射X射线衍射每秒产生一张二维衍射图，用图像模型自动读出Ti–6Al–4V中α相与β相的体积分数看似可行。两个模型在250张实验衍射图上微调后精度相近，但稳健性测试与注意力图显示，仅用ImageNet预训练的模型从背景和像素噪声里推断相分数，而先在模拟衍射图上训练、再微调的模型依据布拉格反射。预测精度本身不足以验证模型。
模型看哪里不等于人看哪里：用眼动热图当基准，Mamba在胸片上定位准却强度对不上
一项跨CNN、ViT与Vision Mamba的对比把人类眼动热图当作独立基准，量化模型显著图与人类注视的对齐程度，发现Mamba在胸片任务上定位得分最高，但其显著图强度分布与人类注视几乎不相关。
稻田害虫识别不再只给一个类别：多尺度注意力把准确率推到97.83%，区块链把每条记录钉死
稻田害虫管理系统AgriMind-PestGuard把三件事接在一起：多尺度注意力卷积网络识别14种主要害虫，Grad-CAM-HCA把判定落到昆虫学概念上，Hyperledger Fabric把检测记录、用药建议和合规记录写成不可篡改的账本。在自建58400张田间图像上，分类准确率97.83%，高于最强基线EfficientNetV2-S的96.38%；解释的忠实度0.91，三位昆虫学家对概念归因的认同率93.7%。12个稻田的田间试验中，农药使用量比常规做法减少34.2%，产量提高8.7%。
深度学习模型用复位前X线片与临床人口学数据预测手外科医生对桡骨远端骨折的手术建议，测试集准确率87.14%、敏感度97%
该可行性研究训练了一个卷积神经网络处理复位前损伤X线片，并将其输出与临床和人口学数据一起输入随机森林模型，在1040例桡骨远端骨折患者（884例训练、156例测试）中预测同一机构一组手外科专科医生是否建议手术治疗，测试集上组合模型达到准确率87.14%、敏感度97%、特异度73%、ROC曲线下面积0.96、Brier评分0.10，Grad-CAM显示模型关注骨折移位等临床相关区域，SHAP提示年龄与腕部侧位X线片是重要预测因素。
可解释多模态深度学习框架：融合MRI、PET与临床数据的三分类阿尔茨海默病诊断
该研究在ADNI数据上构建了一个基于ResNet50迁移学习的患者级多模态融合框架，将MRI与PET影像特征与临床变量（ADAS11、ADAS13、APOE4、年龄、性别、教育年限、MMSE总分）拼接后经全连接网络输出AD/MCI/CN三分类，并以Grad-CAM生成热力图；消融实验显示准确率随模态增加而上升，MRI单模态39.61%、PET单模态51.72%、仅临床66.67%、MRI+PET 54.17%、三模态融合79.17%（24例患者测试集，95% Wilson区间约59.5%–90.8%），其中加入临床数据带来最大单次提升。
面向早期自闭症筛查的可靠性导向混合深度学习框架
该研究提出一个将静态眼周图像ResNet18分类器与由ResNet50、EfficientNet-B0和DenseNet121组成的面部图像集成分类器以OR逻辑并联融合的混合深度学习框架，用于自闭症谱系障碍的早期风险提示与转诊支持；眼周模型敏感度为90%，面部集成模型敏感度为87.1%、AUC为0.948，在条件独立假设下解析估算的系统级敏感度为0.9871，对应联合假阴性概率约1.29%，同时系统特异度降至约0.807。
视觉模型规模扩大并不稳定提升基于定位的解释质量
该研究在Oxford-IIIT Pet与Chest X-ray Pneumothorax两个带真值分割掩膜的数据集上，对ResNet、DenseNet与Vision Transformer家族的11个视觉模型（7个从头训练、4个使用预训练权重）用五种事后解释方法（Saliency、GradientSHAP、Integrated Gradients、Feature Permutation、Grad-CAM）生成归因图，并用Relevance Rank Accuracy与作者提出的Dual-Polarity Precision两项定位指标衡量归因与掩膜的对齐程度，结果显示在多数统计比较中增加深度与参数量并未提升解释
已读完全部报道