印度东北部多灾种预警不再只靠雨量阈值：开源平台把山体滑坡、山洪与村庄失联放进同一套告警
印度东北部长期缺少能同时覆盖滑坡、山洪与道路中断的预警系统，现有监测依赖人工上报和固定雨量阈值，难以给出村级预警。SAMBHV 把物联网遥测、气象与雷达数据接入一条流处理链路，用两阶段混合预测和物理、AI、地面核实三路投票决定告警级别，并支持离线运行与多语言问答。在 311 个灾害测试用例上，平台报告检测 F1 为 0.87、误报率 8%、从阈值触发到告警的延迟为 30 秒。
湿地松育种不再只靠表型：按训练折做关联预选，生长性状预测能力提高11.9%
湿地松育种周期长达十几年，基因组选择能否加速取决于标记怎么选。一项针对240株湿地松的研究把全基因组关联分析限制在每个训练折内部，用关联显著性预选SNP，再比较八种预测模型和十二种标记密度。生长性状的平均预测能力从随机选标记的0.242升到0.271，提高11.9%；木材品质仅提高2.2%，松脂性状没有变化，而按PVE或跨折重现频率加入的QTN协变量在12个性状中有9个未超过无协变量基线。
标准流程判为PTEN野生型的样本里，模型又找出33例缺失，其中75%染色证实蛋白丢失
德累斯顿大学肿瘤中心在MASTERsg精准肿瘤项目中用梯度提升模型重读TSO500 panel测序的拷贝数原始分箱数据，专门找被标准流程漏掉的PTEN局灶缺失。TSO500按基因内分箱读数取平均，局灶事件达不到倍数变化阈值；模型在204例被判为PTEN野生型的样本中报出33例缺失，其中20例有组织可染色，15例显示PTEN蛋白缺失或明显降低。
大学楼宇日前用电预测：预训练TimesFM 3.0把小时级误差降到19.97千瓦时，比周季节朴素低43%
在一栋大学教学楼57天日前用电预测测试中，带协变量的预训练TimesFM 3.0把小时级平均绝对误差降到19.97千瓦时，比周季节朴素基线低约43%，且无需针对该楼训练权重。
未确诊高血压筛查换用PU学习：漏诊从1237例降到729例，灵敏度升到0.817
在4.3万名中国社区成人中，把未确诊高血压筛查当作正例-未标注学习来处理，独立测试集上灵敏度达到0.817，漏诊729例，比标准XGBoost少41.1%。
布达佩斯M4地铁需求预测中XGBoost精度超过NeuralProphet，且SHAP解释与专家认知一致
该研究用布达佩斯M4地铁2024年一年、实际可用216天、5:00至24:00的小时级进站客流数据，在限定单站单方向（Kálvin tér至Kelenföld vasútállomás）和6小时预测窗口下，公平比较了内在可解释的NeuralProphet与用SHAP做事后解释的黑箱XGBoost，结果显示XGBoost预测更准（MAE 91.0753对230.2803，RMSE 144.7094对363.2115，R² 0.9600对0.7896），且SHAP给出的时间特征重要性与NeuralProphet的季节性分量及交通领域专家知识相符。
用二维图像提取心围与体长并结合年龄性别，XGBoost 在未见过的 Surti 山羊上实现 R²=0.7955 的体重预测
该研究用 Mask R-CNN 从二维图像中分割山羊并提取心围与体长，再与年龄、性别元数据组合，训练 XGBoost、Random Forest 与 CatBoost 并以 0.5/0.3/0.2 权重集成，在按 Animal ID 分组划分的验证集（37 只）上 XGBoost 取得 R²=0.8514（RMSE=4.26 kg、MAE=3.47 kg、MAPE=16.27%），在完全未见的测试集（37 只）上 XGBoost 表现最佳，R²=0.7955（MSE=29.15 kg²、RMSE=5.40 kg、MAE=4.01 kg、MAPE=16.38%），加权集成则为 R²=0.7713（MSE=32.60 kg²、RMSE=5.71 kg、
机制信息机器学习框架用XGBoost预测聚合物长效注射剂释放（测试R²=0.9774），并发现预测重要性与干预效应几乎不相关（r=0.132与−0.021）
该研究构建了一个机制信息机器学习框架，把药学知识驱动的有向无环图、因果结构发现（PC、NOTEARS、DirectLiNGAM）、XGBoost释放预测、可解释AI（SHAP）与ATE/CATE干预效应估计及反事实制剂分析串联起来，在181条释放曲线、3783个分数释放测量、43个药物-聚合物配对的公开数据集上，XGBoost取得测试R²=0.9774、RMSE=0.0491、MAE=0.0339，并发现相关性与SHAP重要性高度一致（r=0.761），而二者与干预效应估计的一致性很低（r=0.132与−0.021），说明预测上有用的变量与可干预的变量并不相同。
用分层机器学习与反事实分析预测并干预化疗预约的取消与爽约
该研究基于Dana-Farber癌症研究所1,825,948条化疗预约记录，构建分层机器学习流程先预测取消再预测爽约，取消与爽约的F1分别达0.76与0.82，较单阶段多项基线在少数类上提升7–10个百分点；并用半监督学习从临近取消中推断爽约原因（加权F1为0.57与0.54），再通过反事实模拟评估干预措施，发现提醒等常规策略效果有限，而提升提供者一致性与承诺式排程可同时或分别降低取消与爽约。
已读完全部报道