-
TrkB激动剂在单侧爆炸性听力损失小鼠模型中的治疗评估
背景:听力损失影响全球超过4.66亿人,被公认为阿尔茨海默病的主要风险因素,但由于病因的复杂性和多样性,治疗个性化仍然有限。当前的诊断和治疗方法缺乏标准化手段来准确预测最适合个体患者的干预措施。将医学本体论与机器学习相结合,为提高诊断准确性和治疗个性化提供了有
来源:Audiology Research
时间:2026-03-06
-
基于响应面法(RSM)与多层感知器(MLP)神经网络的环氧树脂基赛车悬架立柱拓扑优化设计
摘要:本研究以环氧树脂(EPAX hard and tough clear resin)增材制造赛车双横臂悬架立柱(upright/suspension knuckle)为研究对象,研究人员结合试验设计(Design of Experiments, DOE)、
来源:Polymers
时间:2026-03-06
-
3D打印TPU在模拟制药操作条件下的磨损行为与多技术表征
手术损伤后的周围神经粘连严重阻碍功能性神经再生,导致疼痛和神经功能障碍。在这项研究中,研究人员开发了一种基于光交联甲基丙烯酰化明胶(GelMA)的水凝胶膜,该膜局部释放地塞米松,以同时防止粘连和抑制炎症。通过明胶与甲基丙烯酸酐反应合成的GelMA形成了稳定的交
来源:Polymers
时间:2026-03-06
-
Uniportal全内镜后颅窝减压术:使用超声与X射线及计算机断层扫描进行缺损评估的比较解剖学研究
Arnold-Chiari畸形I型全内镜减压术中超声评估有效性研究,通过解剖学实验对比超声与CT、X线在测量减压程度(纵轴26±2mm,横轴37±2mm)的相关性,显示超声与CT呈高度正相关(r=0.94-0.95),且无辐射优势,特别适用于儿科治疗。
来源:Child's Nervous System
时间:2026-03-06
-
第四脑室手术新视角:内镜下脑室顶内表面解剖重塑经小脑延髓裂入路
为解决传统经小脑延髓裂入路(trans-CMF)示意图基于正常大小尸检脑室、与肿瘤致脑室扩张的临床现实脱节问题,研究人员利用内镜在体解剖图像,首次从第四脑室内部视角,对telovelar等入路的切开线进行了可视化重绘。该研究为神经外科医生提供了更贴近真实手术视野的解剖模型,有助于提升术中导航信心与安全性。
来源:Child's Nervous System
时间:2026-03-06
-
精神病学住院医师研究培训组织的建立与展望:以“突触学会”(Synapse)为例,探索医师-科学家培训新路径
为解决美国医师-科学家(physician-scientist)数量持续下降、精神病学住院医师研究培训(residency research track)项目存在异质性与资源不均的问题,研究者们成立了“神经科学与精神病学住院医师研究教育促进学会”(Synapse)。该组织旨在构建研究项目主任网络,促进最佳实践分享,并为住院医师阶段的未来医师-科学家群体争取权益。其首次会议于2025年在生物精神病学会(SOBP)年会上举行,探讨了培训结构、资源分配、成功预测因素及毕业后过渡等关键领域,以期系统性收集数据,推动该领域发展。
来源:Academic Psychiatry
时间:2026-03-06
-
1型神经纤维瘤病伴单侧巨指样畸形:病例报告
患者22岁,来自坦桑尼亚北部,左手动巨指样过度生长,伴咖啡斑及神经纤维瘤。手术切除冗余软组织改善手部轮廓,病理确诊为plexiform神经纤维瘤,提示NF1相关神经性段性过度生长。本研究强调低资源环境中手术对改善手功能及生活质量的重要性。
来源:Case Reports in Plastic Surgery and Hand Surgery
时间:2026-03-06
-
基于矩方法的宽带RCS计算神经网络方法(适用于大入射角情况)
作者:Woongi Bin、Sanghyuk An 和 Wonzoong Chung
宽频带多入射角雷达散射截面计算方法及深度神经网络模型WBRCS-Net的提出与验证,通过最小化均方误差损失规避传统方法矩的数值不稳定问题,仅需频率和入射角作为输入即可实现宽域预测,并在PEC球体和立方体上验证模型误差低于万分之一,优于Maehly近似方法。
来源:Applied Sciences
时间:2026-03-06
-
对YouTube上关于Sora的讨论中情感和主题的计算分析
Ayse Ocal
宽频带雷达散射截面(RCS)预测深度神经网络模型WBRCS-Net,通过最小化均方误差损失直接逼近矩量法(MoM)解,避免迭代不稳定。输入仅需频率和入射角,简化网络结构,在PEC球体和立方体实验中,RCS计算误差低于10^-14,推理速度显著提升。
来源:Applied Sciences
时间:2026-03-06
-
迈向电磁数字孪生:基于电磁引导的深度学习技术,实现工业物联网(IIoT)环境中无线电力传输的精确预测
电磁场分布预测与工业物联网应用研究。本研究提出一种结合物理模型与卷积神经网络(CNN)的数据高效方法,通过主动采样与积分方程(IE)仿真生成训练数据集,解决传统全波仿真计算复杂和射线追踪远场近似失效问题。实验验证表明,该CNN模型能准确复现复杂环境中的全局电磁传播模式与局部场强变化,为工业物联网中的无线传感网络部署和无线能量传输优化提供快速可靠的分析工具,推动电磁数字孪生技术应用。
来源:IEEE Journal on Wireless Power Technologies
时间:2026-03-06