qq_46096701的博客

提出“低生育率或将长期持续，且可能对经济有利”这一结论。联合国过去几十年人口预测，均默认生育率长期会回升至 2.1 左右。如果缺少以上配套，单纯低生育会陷入传统认知里的经济困境。

研究整合7 个非洲国家、12,608 例妊娠的个体数据，结合疟疾传播、生育力模型，量化恶性疟引发的孕产妇贫血疾病负担，并评估孕期疟疾间歇性预防治疗（IPTp-SP，磺胺多辛 - 乙胺嘧啶）的防控价值。如今经产妇整体免疫力下降，一旦停止 IPTp-SP 或疟疾防控工作，不仅初产妇会再次大面积出现疟疾相关贫血，原本有免疫力的经产妇也会集体暴露在高风险中，全人群重度孕产妇贫血将快速反弹。研究未评估 SP 耐药性的影响，若耐药问题加剧，IPTp-SP 的保护效力会进一步下降，叠加疟疾反弹，孕产妇健康压力将倍增。

全球变暖加剧，极端高温频发，孕妇是气候变化的脆弱人群。既往研究仅短期观察气温与 GDM 关联，缺少多天累积高温暴露研究，高温致 GDM 的社会经济差异也未探明，本研究填补空白。气温偏高的夏季月份，同期妊娠期糖尿病月度发病率同步上升；气温偏低的冬月，GDM 发病率随之下降。利用分布滞后非线性模型发现，孕期持续累积高温暴露，可显著升高妊娠期糖尿病（GDM）患病风险，且贫困高龄孕产妇受热致病风险更突出。三、创新性科学发现明确，兼具科学价值 + 公共落地价值。二、研究数据体量硬核、流行病学设计严谨。

利用情绪句子阅读任务中的眼动数据，通过深度学习模型发现，决策应答前的水平眼动特征，尤其是对负性刺激的反应，可作为抑郁与自杀意念的无创、客观生物行为标记。眼动是注意与认知加工的直接窗口，难以主动调控，结合深度学习可挖掘细粒度时空特征，弥补传统手工特征不足。抑郁与自杀筛查依赖自评与临床访谈，易受回忆偏差、社会期许影响，缺乏客观标记。

人生序列构建：将每个人的人生转化为时序事件序列（life-sequences），每个事件含概念 token（诊断、职业、收入分位数、行业等）、年龄、绝对时间、分段三类信息，组成 “人生句子”。提出 life2vec 模型，把人生事件序列当作 “人生语言”，用 NLP（Transformer/BERT）技术建模丹麦全民级多维度行政数据，实现人生结果精准预测与可解释分析。同类事件聚类：健康诊断、职业、收入、出生年份各自成簇，收入分位数、出生年份按数值连续排列；关键因素：高收入、管理岗、女性降低早逝风险；

提出了首个胎心监护（CTG）领域的自监督基础模型PRISM-CTG，通过融合信号重建、患者元数据与临床特征的多视图自监督预训练，在7项产前/产时下游任务上实现最优性能，且在低标注、信号缺失及跨医院场景下泛化能力显著优于传统模型。T5：胎儿酸中毒分类（CTU‑UHB）：产时是否酸中毒（捷克公开数据集）。T6：胎儿酸中毒分类（APHP‑CTG）：法国公开数据集，用于跨医院验证。T1：异常分类：判断 CTG 是否异常。T2：剖宫产预测：是否需要剖宫产。T7：剖宫产分类：产时是否剖宫产。

这篇论文解决了扩散模型做细粒度图像分类数据增强时，“多样性够但关键细节不准”的核心问题，提出了一套分层 + 动态的引导生成框架，在 6 个细粒度数据集上全部达到 SOTA。

这篇论文提出多智能体卧底游戏（MUG），用反事实视觉测试解决多模态大模型的幻觉问题，比传统多智能体辩论（MAD）更可靠、更能揪出幻觉智能体。

这篇论文解决了手术领域视觉语言模型（VLM）仅依赖帧级数据、缺乏高质量视频级手术知识数据的关键问题，提出了一套包含大规模高质量手术视频数据集、专用视频级手术 VLM 模型、多任务评测基准的完整解决方案，大幅提升了手术场景的视频级视觉语言理解能力，是手术智能领域的重要突破。

这篇论文聚焦记忆行为建模中的分布外泛化问题，提出了无需显式环境标签的不变表示学习框架I-Mem，通过自适应分离环境相关的虚假特征、提取稳定的认知结构特征，解决了现有模型在动态异质记忆数据中泛化能力差的问题，同时兼具可解释性和认知机制发现潜力。

这篇论文针对可穿戴 / 家用睡眠监测系统的资源受限问题，提出了基于多级掩码（Multi-Level Masking）和提示学习（Prompt Learning）的新型框架Mask-Aware Sleep Staging (MASS)，实现了仅用少量 EEG 信号（最低 10%）即可保持高精度的睡眠分期，为低资源场景的睡眠监测提供了高效解决方案。

解决了现实中 ECG 数据的异质性、低信噪比、人口统计学差异、隐式心律 - 事件关联难以捕捉四大核心问题，通过两阶段自监督预训练实现了对任意场景、设备采集的 ECG 信号的鲁棒表征学习，在异常检测、心律失常检测、受损导联生成、超长 ECG 分析等下游任务中全面超越当前 SOTA 方法。

提出了一种名为 Delphi-2M 的生成式变换模型（Generative Transformer），用于学习人类疾病的自然历史轨迹，并预测个体未来的疾病发展。医疗决策依赖于对患者过去和当前健康状况的理解，以预测和改变未来的健康走向，但传统方法通常只能预测单一疾病，而人类疾病往往是多病共存（multi-morbidity）且随时间演变。

提出了一种基于多层感知机（MLP）的时间序列预测新方法，通过引入多域动态 MLP 与能量不变注意力机制，显著提升了预测精度与计算效率。

提出了一种新颖的可靠性感知码本辅助时间序列预测框架，能够有效捕捉局部重复模式，并适应数据分布的变化。

探讨如何利用深度学习技术来改进产时电子胎心监护，以更准确地预测新生儿出生时是否存在酸血症。传统上依靠临床医生视觉解读EFM图形，存在主观性强、一致性差的问题，导致不必要的剖宫产率升高，却未能有效降低新生儿死亡或脑瘫风险。开发并验证一种基于深度学习的人工智能模型，该模型能够自动分析产时的EFM数据，预测新生儿脐动脉血酸血症（以pH值为标准）的发生。作者没有局限于一种算法，而是探索并，包括卷积神经网络、长短期记忆网络、Transformer以及性能领先的 InceptionTime。主要预测。

重新构建产前与产中胎儿监测的框架，提出一种新的监测方法——胎儿储备指数（Fetal Reserve Index, FRI），以改善目前电子胎儿监护（EFM）的局限性。FRI 是一种量化的、综合的胎儿风险评估系统，将胎心监护的四个可量化指标与四项临床风险因素结合，形成一个总分，用于动态评估胎儿状态。胎心监护指标（动态）：胎心率基线、变异性、加速、减速非监护指标（静态）：子宫活动（>4次/10分钟）母体风险因素（如糖尿病、高血压）产科风险因素（如子痫前期/子痫、羊水过少）

是一项基于个体参与者数据的荟萃分析，旨在探讨胎动减少（RFM）孕妇发生不良妊娠结局（APO）的相关风险因素。

系统回顾了人工智能在胎儿超声心动图领域的最新应用进展，涵盖了图像处理、生物参数测量以及疾病诊断与预测三大方向，并对未来研究提出了展望。

本文探讨了2013-2024年间基于人工智能的算法在胎儿面部异常检测中的应用。研究重点聚焦于解决当前超声和MRI等成像技术在检测胎儿面部异常时面临的挑战，包括低分辨率、运动伪影和标注数据不足等问题。