医学智能诊断新突破：随机化可解释机器学习模型推动高效医学诊断 一、学术背景与研究动因 近年来，深度学习（Deep Learning, DL）模型在医疗健康领域中扮演着举足轻重的角色。通过处理海量医学数据，DL显著提升了疾病的诊断准确性和临床决策水平。在医学影像分析、基因组学数据处理、临床疾病预测等领域，DL模型展示了强大的自动特征提取与复杂模式识别能力。但与此同时，深度模型的“黑箱”特性（即难以解释其决策过程）、庞大的计算资源消耗和冗长的训练时间，也成为其在临床实际应用中难以跨越的重要障碍。 医学领域的决策过程不仅需要高准确率，还需兼顾速度与透明性，一方面保证快速诊断以应对紧急医疗情境，另一方面满足如GDPR等对自动化决策可解释性的法律法规要求。此外，DL模型尤其是大规模神经网络所带来的能源...

单细胞基因表达适应性进化揭示肿瘤亚克隆的非基因组贡献 学术背景 癌症是一种复杂的疾病，其进展是由细胞的进化驱动的，这些细胞通过获得生长优势的适应性而被选择。传统上，癌症进化的研究主要集中在基因突变上，认为突变是驱动肿瘤进化的主要因素。然而，越来越多的证据表明，非遗传因素，如表观遗传改变和基因表达的变化，也在癌症进化中起着重要作用。基因表达的适应性变化可能直接影响细胞功能，揭示这些变化有助于理解肿瘤进化中的选择性压力，并为设计更有效的治疗方案提供依据。然而，由于技术限制，尤其是基于批量测序的研究难以区分细胞水平的表达变化和细胞群体组成的变化，单细胞RNA测序（single-cell RNA sequencing, scRNA-seq）为研究基因表达的进化提供了新的机会。 本文的研究团队通过构建...