从病理基础模型，
到面向科学结论的 AI 工作流

WILSON 将同一患者的多张全切片、多个放大倍率压缩为复合图像，再用病理报告监督视觉—语言基础模型。核心思路是把患者级病例作为计算单位，而不是先编码大量图块再做聚合。

作者用约 18.9 万张 Mayo Clinic 切片训练，并在内部队列及部分外部比较中报告病例分类、文本检索和诊断描述生成结果。该文是未经同行评审的 arXiv 预印本；主要数据来自单一医疗体系，报告生成也不能直接替代病理医师诊断。

研究追踪同一女性连续年度乳腺筛查图像在基础模型嵌入空间中的移动速度，并构造数据驱动的“癌症方向”，检验活检前的影像表征是否已经出现系统性变化。

在 1,773 名接受活检的女性及匹配对照中，部分临床影像预训练模型显示病例与对照间的纵向差异，但不同模型和比较设计并不一致。该文是未经同行评审的 arXiv 预印本；结果是回顾性关联，尚未证明可用于前瞻筛查或个体风险决策。

MT-ProtBERT 面向内在无序蛋白的小数据场景，在 ProtBERT 上加入动态窗口掩码、多尺度一维卷积分类器和生物化学辅助任务，尝试同时利用自监督序列信息与任务先验。

作者在磷酸化位点预测和两个小规模蛋白紧致度数据集上报告优于 PARROT 基线。该文是未经同行评审的 arXiv 预印本；评估任务与数据规模有限，尚不能说明模型能普遍处理无序蛋白的构象异质性。

作者训练一个从双耳声波直接预测高采样率 EEG 的因果神经网络，希望用同一模型覆盖听觉脑干、皮层以及不同时间尺度的电生理反应，作为人类听觉生理的基础模型。

模型使用 92 名受试者约 250 小时数据训练，并复现若干已知刺激依赖效应与波形特征。该文是投稿 ICASSP 2027 的未经同行评审 arXiv 预印本；复现群体平均生理现象不等于对个体临床听力状态具备可靠预测能力。

RootQuantV2 用冻结的 DINOv3 视觉基础模型和参数高效适配，从微根窗图像直接回归根长与表面积，不要求逐像素根系标注，重点利用农业研究中已积累的大量图像级数值档案。

作者报告相较前代 RootQuant 降低根长和面积估计误差，并只训练基础模型的一小部分参数。论文已获 ECCV 2026 CVPPA Workshop 接收，但仍是特定成像流程与数据分布上的结果，跨作物、土壤和设备的泛化需要进一步验证。

ACORN 不以提高分类器准确率为最终目标，而是根据物种占域分析对样本的重要性，选择最值得专家复核的机器标注。它把有限人工审阅预算直接对齐到生态结论的可靠性。

作者在相机陷阱和生物声学数据上报告，定向复核可用更少人工检查接近全人工标注所得的生态推断。该文是未经同行评审的 arXiv 预印本；收益依赖既定占域模型和数据条件，尚不能直接推广到所有生物多样性调查。