#影像组学

构建基于多参数MRI的深度学习影像组学列线图，用于术前区分FIGO 2023 I期与II-IV期子宫

原文标题: Artificial Intelligence Empowering Modern Agricultural Biological Breeding。作者: 徐启玉、郑波、钟上威（北京大学现代农业研究院、潍坊市科技创新促进中心、北京大学生命科学学院）。DOI: 10.12133/j.smartag.SA202602016。本文系统探究AI驱动植物育种范式变革的底层逻辑，梳理智慧育种的代际演变及其在表型解析、基因组预测和分子设计等关键环节的技术进展，并深入探讨育种大模型对育种全流程的重构作用，以期为中国种业科技实现自立自强提供理论参考。重点阐述AI在种质资源高效挖掘、高通量表型精准解析、全基因组选择模型预测及分子设计育种等关键环节的技术逻辑与实证案例，并针对跨学科数据壁垒、深度学习算法的可解释性不足、复杂变动环境下的模型泛化能力弱等核心挑战进行了深入分析。

用VOSviewer对1999-2025年1351篇光学遥感去云文献做计量分析，梳理发展脉络与热点。

提出模块化胰腺分割与多模态融合框架，结合临床与CT数据预测急性胰腺炎风险。

原文：Radiomics-driven and explainable machine learning for rapid characterization of Fusarium wilt and Black Sigatoka in banana crops。研究于2026年7月28日发表，聚焦利用影像组学和可解释机器学习快速表征香蕉枯萎病与黑斑病，属于作物病害智能识别方向。当前公开检索摘要未呈现完整实验细节，故不对模型精度作额外推断。

用单景吉林一号影像验证光谱-空间植被分层流程的可复现性。

提出一种简单有效的无监督分类方法，用于特定领域图像，以真菌图像为例。

提出一种结合深度学习和几何建模的猫姿态自动分析框架，从RGB图像提取临床可解释的姿态描述符。