MRI重建不再从临床原始数据学起：SIM用物理仿真训练，跨14个数据集零样本重建
SIM把MRI重建的训练数据来源从临床采集的原始k空间换成按多线圈成像物理规律生成的仿真样本，并用通用Transformer把数据量和模型容量一起放大。在14个公开与自建数据集上，它跨7个中心、5家厂商、0.3至7 T场强和十余种采集协议做零样本重建，PSNR比次优方法高1.06至3.95 dB；在150例盲法阅片中，SIM在某一加速倍数下诊断可用性达到100%，该倍数在原文中未给出。
星系形态成了恒星形成史的化石：Katachi-PRIME用三色图像推断质量、年龄与金属丰度
Katachi-PRIME（形'）把星系三色宽带图像与测光一起送入隐式似然推断，直接给出恒星质量、比恒星形成率、红移、年龄、尘埃消光和金属丰度的完整后验。在GSWLC约23万个星系上，仅用gri图像的后验比5波段测光更紧，两者合用最优；同一套图像嵌入还显示，主序与宁静星系的形态能连续回溯数Gyr的恒星形成史，而星暴与绿谷星系只能保留最近的活动。
SVC把每个基因的胞内分布当成图像块：用同一细胞的其他基因作上下文，预测未测转录本的亚细胞位置
亚细胞分辨率空间转录组能测到转录本在细胞内的位置，但此前的方法多针对单一分析任务，缺少在细胞类型与组织环境中统一刻画并预测基因胞内定位的框架。SVC 把每个基因在细胞内的空间表达当作一张图像块，用同一细胞的其他基因作为上下文，以自监督掩码方式学习跨基因的空间依赖。在 seqFISH+ 小鼠胚胎成纤维细胞数据上，SVC 对未测基因的亚细胞模式预测在六项指标上均优于四个图像基线，相对更具挑战性的基线组中位提升为 5.2%–21.0%。
卫星影像不必逐任务重训：OlmoEarth v1.3把全球陆地压成128维向量，27项评测中20项领先
Ai2发布OlmoEarth v1.3卫星嵌入模型，把一年的雷达与多光谱卫星时间序列压缩为每个10米像素一个128维向量，并预先算好全球年度嵌入公开共享。此前使用OlmoEarth主要靠在OlmoEarth Studio中为每个任务微调模型，需要GPU和下载存储影像。与AlphaEarth Foundations和Tessera v2在六大洲27项评测上比较，128维嵌入在20项上得分最高，64维版本在18项上领先。
事件相机动作识别不再只看单帧：把长序列切成多帧，THU-EACT-50 CHL 上准确率从30.5%升到78.7%
瑞典国防研究局把事件流切成多帧再预训练，长时复杂动作识别在THU-EACT-50 CHL上达到78.7%、DailyDVS-200上达到66.9%，且只用事件数据。
REViT-v2 用窗口化群卷积自注意力把旋转反射等变 ViT 的注意力代价从二次降为线性，并在 ImageNet-1K 上超过旋转翻转增强的 ViT-S 与 RE-ResNet
作者提出 REViT-v2：把群卷积自注意力限制在局部窗口内（wG-CSA），并用群卷积分词与下采样构建多阶段等变特征金字塔，使旋转反射等变注意力的空间复杂度由图像面积的二次降为线性；在 ImageNet-1K 上，等变 REViT-v2-S 取得 79.27% 与 80.9% 的 Top-1 准确率，高于旋转翻转增强的 ViT-S（72.08%）和 RE-ResNet（77.37%），并在 Rotated MNIST 上以更小的模型、FLOPs、延迟与峰值显存保持约 98.26% 的准确率。
SpatialTRACE 用少量标注把空间转录组注释扩展为全切片解剖轴与区域图谱，并仅凭 DAPI 图像预测同一坐标
作者开发了 SpatialTRACE，包含基于图与基于图像的两类模型：SpatialTRACE-Graph 结合基因表达谱与空间邻域，在小鼠小肠切片中仅用 10 个已标注绒毛即可预测隐窝-绒毛轴与上皮距离轴坐标并识别 Peyer 斑；SpatialTRACE-Image 作为多尺度视觉 Transformer，从 SpatialTRACE-Graph 生成的坐标与区域预测中学习，仅凭 DAPI 即可在全组织图像上预测相同解剖轴坐标与区域，并被用于免疫荧光图像中定位 LCMV Armstrong 急性全身感染下抗原特异性 P14 CD8 T 细胞，显示视黄酸受体抑制剂处理切片相较溶剂对照整体 T 细胞更少、上绒毛固有层比例更低而肌层相对
608篇AI乳腺癌影像研究的文献计量分析显示：诊断占71.22%，可解释AI爆发值1.00成为最热前沿
该研究以Scopus与Web of Science为数据源，经PRISMA流程从4831条记录中筛出608篇2020—2026年同行评审期刊论文与综述，用Bibliometrix与VOSviewer做任务感知、方法学中心的文献计量与主题分析，发现诊断类研究占71.22%、乳腺X线摄影占42.11%、可解释AI爆发值1.00为最强新兴热点，而治疗反应预测仅占2.30%、仅约15—25%的研究明确报告超参数调优策略。
ICHOR用11405例ASL脑血流图自监督预训练，在四项下游任务上整体优于结构MRI预训练基线
该研究提出ICHOR，一种基于3D掩码自编码器（ViT-Base编码器加轻量解码器）的ASL脑血流（CBF）图自监督预训练框架，在来自14项研究、多站点多协议的11405例ASL CBF扫描上预训练，并在三项诊断分类任务和一项ASL CBF图质量预测回归任务上评估，结果显示其在四项任务上整体优于BrainIAC、BrainSegFounder和MedicalNet等结构MRI预训练基线。
TranSamba 用跨平面 Mamba 把弱监督体数据分割的 DSC 推到 64.1%，在 BraTS、KiTS、LASC 三个数据集上均居首
该工作提出 TranSamba——在 DeiT-S 视觉 Transformer 编码器的每一层 Transformer 之前串联一个跨平面 Mamba（CPM）块，让相邻平面间的 patch token 以线性时间交换信息，从而改善平面内自注意力与类到 patch 注意力图；在仅使用平面级标签、每批 16 个含 16 个连续平面的体数据、训练 100 轮设置下，它在 BraTS、KiTS、LASC 测试集上分别取得 64.1%、26.8%、41.0% 的 DSC 与 46.8%、25.8%、25.6% 的 IoU，均为所比较方法中最高，且时间复杂度随平面数线性增长、批处理空间复杂度与平面数无关。
已读完全部报道