深度学习应用于目标蛋白配体生成的最新研究：DeepBlock框架的提出与验证 背景与研究问题 药物发现过程中，寻找能够结合特定蛋白的配体分子（ligand）一直是核心目标。然而，目前的虚拟筛选方法（virtual screening）通常受限于化合物库的规模和化学空间的广度，难以在大规模化学空间中发现符合目标特性的创新化合物。相比之下，去新药设计（de novo drug design）通过从头生成分子结构，为探索现有化合物库之外的化学空间提供了崭新的可能性。 近年来，深度生成模型（deep generative models）在化学分子生成领域取得了显著进展，包括自回归模型（autoregressive models）、变分自编码器（variational autoencoders, VA...

从无定形前驱体预测晶体的出现：深度学习助力材料科学新突破 背景介绍 晶体从无定形物质中逐步生成的过程在自然界与实验室中具有重大意义。这一过程广泛存在于从地质到生物过程的各种现象中，并且在开发新材料的过程中占据核心地位。然而，无定形状态向晶体态的转化中，最初出现的常常是亚稳态（metastable state）晶体，而非热力学上的稳定态晶体。这种亚稳态形成的普遍规律可以通过”Ostwald法则”加以解释，该法则指出与无定形前驱体（amorphous precursor）具有相似局部结构特征的晶体将更容易优先成核。 无定形材料的晶化过程，尤其是其能量景观（energy landscape）的建模，一直以来是科学界的难点。传统的分子建模方法或从头计算（ab initio methods）由于计算量...

使用残差密集网络 (RD-Net) 进行基于视神经头结构特征的青光眼预测 背景与研究目的 青光眼是全球范围内导致失明的主要原因之一，被称为“视力的无声窃贼”。其主要特征是视神经（Optic Nerve Head, ONH）的进行性损伤，可能在患者察觉到其视力受损之前已经造成不可逆转的视觉丧失。据统计，青光眼是继白内障之后的第二大致盲原因。早期对青光眼的筛查与准确诊断，对管理疾病进展及维持患者的视觉功能至关重要。 临床上，青光眼的诊断主要基于以下结构和功能性测试：眼内压（Intraocular Pressure, IOP）测量、视神经头的结构评估，以及视野检测。然而，视野检测通常需要昂贵的设备，难以普及到基层医疗机构。因此，通过分析视神经头的结构特征，例如杯盘比（Cup-to-Disc Rat...

提升小样本语义分割的新方法——基于先验的边缘特征增强网络 在人工智能领域，语义分割（semantic segmentation）是计算机视觉中的一项核心技术，其目的是为图像中的每个像素赋予语义类别标签。然而，传统的语义分割方法依赖大量的标注数据进行训练，这在实际应用中局限于标注样本数据不足的场景。例如，医学影像分析和自动驾驶中，需要对少数数据类别进行分割，获取精确的分割结果。在此背景下，小样本语义分割（Few-Shot Semantic Segmentation, 简称FSS）作为一种新兴技术得到了研究者的广泛关注，旨在在少量标注样本的条件下实现高质量的语义分割。 然而，与普通语义分割模型相比，小样本语义分割在目标边界预测的准确性上仍然表现不足。原因在于，当样本极其有限时，模型从查询（que...

生成性人工智能在核医学的突破性应用：探讨合成骨显像图像的潜力及其在深度学习中的应用 背景与研究问题 近年来，人工智能（Artificial Intelligence, AI）的快速发展，引领了医学影像分析的革新。例如，深度神经网络（Deep Neural Network）在疾病诊断、解剖结构分割、患者预后预测及治疗反应评估等领域展现了巨大潜力。然而，这些技术的广泛应用通常依赖于规模庞大且精确标注的数据集。然而，在医学领域，获取如此大规模的标注数据集既昂贵又耗时，尤其是在涉及患者隐私保护时数据共享受到严格限制。数据的有限性导致深度学习模型在真实场景中的表现不理想，难以泛化。这种困局在需要跨多中心汇总数据的分布式研究中表现尤为明显。 另一方面，生成性人工智能（Generative AI）的崛起为...