• 靶向GPRC5D的双特异性T细胞衔接子塔利他单抗 (Talquetamab) 在多重难治性系统性轻链型淀粉样变性中的深度缓解：一项病例系列研究报告

  对于现有疗法（如达雷妥尤单抗）耐药或复发的系统性轻链型 (AL) 淀粉样变性患者，临床预后极差，治疗选择有限。本文报告了一项针对6例经多重治疗的难治/复发 (R/R) AL 淀粉样变性患者的前瞻性研究，探讨了靶向GPRC5D的双特异性抗体塔利他单抗 (Talquetamab) 的疗效与安全性。研究结果显示，塔利他单抗诱导了快速且深度的血液学缓解，完全缓解 (CR) 率达83%，且微小残留病 (MRD) 阴性，毒性可控，为该类患者提供了新的有效治疗选择。

  来源：Annals of Hematology

  时间：2026-03-13

• 将单视图2D图像转换为全彩色3D计算全息图：一种基于神经逆向渲染的方法

  直接生成高质量三维相位-only全息图是突破现有计算全息技术瓶颈的关键。本文提出神经逆向渲染框架，通过多尺度优化单目深度网络、物理光学衍射模型和三角相位合成网络，实现单视图二维图像到三维全息的端到端生成。方法有效整合深度学习与波前光学理论，支持任意分辨率输出，实验表明PSNR达33.26dB，SSIM达0.84，且可同时处理全彩色和多深度细节。

  来源：Pattern Recognition

  时间：2026-03-13

• DDCEFormer：一种用于3D人体姿态估计的双域交叉增强变换器

  三维人体姿态估计在单目视频中面临深度歧义和自遮挡挑战，现有方法难以平衡全局依赖与局部细节建模。本文提出DDCEFormer模型，通过增强型多头注意力机制（EMA）和跨域Transformer块（C-ETB）实现时空特征的有效融合，分别捕获单帧内关节的空间结构、连续帧间的动态时序及跨域交互。实验表明，该模型在Human3.6M和MPI-INF-3DHP数据集上显著提升精度，MPJPE达13.4mm，并展现良好的泛化能力。

  来源：Neurocomputing

  时间：2026-03-13

• 基于Q学习的持续预测性注意力强化机制，采用优先级经验回放策略

  针对传统注意力机制依赖静态相似度函数导致动态适应能力不足的问题，本文提出Q-Attention框架，将Q-learning与注意力机制结合，通过离散动作调整注意力权重，利用任务损失作为可微分奖励信号，并引入优先级经验回放和持续预测学习模块，有效优化动态环境下的权重分配，在多个基准数据集上验证了其性能优势。

  来源：Neurocomputing

  时间：2026-03-13

• 一种基于音频增强技术的融合模型，用于弱监督视频关键帧检索

  本研究提出音频增强融合模型（AFM），首次在弱监督视频时刻检索中整合音频信息，通过音频中介特征交互器、多源提案生成器和扩散模型重构器提升跨模态对齐与检索精度，实验表明优于现有方法，验证了音频的重要性。

  来源：Neurocomputing

  时间：2026-03-13

• 早发性新生儿感染与认知障碍：一项全国范围的队列研究

  本研究探讨近端期至足月新生儿早期细菌感染（败血症和脑膜炎）对长期认知功能的影响。通过丹麦全国性队列研究（1997-2013年出生，随访至2021年），发现早期败血症使智力障碍风险增加2.24倍（95%CI 1.93-2.59），特殊教育需求风险增加1.49倍（95%CI 1.40-1.59）；脑膜炎风险更高，智力障碍风险达7.75倍（95%CI 3.34-15.27），特殊教育需求风险增加2.95倍（95%CI 2.06-4.22）。经多敏感性分析验证，结论一致。

  来源：Archives of Disease in Childhood: Fetal & Neonatal

  时间：2026-03-13

• DSB-net：一种用于水下声纳目标检测的有效动态稀疏贝叶斯网络

  水下声呐图像目标检测存在单次推理不稳定和召回率低的问题，本文提出DSB-Net框架，集成动态稀疏Transformer与贝叶斯融合策略。通过轻量级卷积层预测采样偏移和注意力权重，实现动态稀疏建模以增强对模糊目标的感知能力；同时设计贝叶斯后验融合机制，通过概率建模迭代优化检测结果，抑制噪声干扰。实验表明，DSB-Net在公开和自建数据集上召回率提升9.3%，显著优于现有方法，尤其在复杂水下环境中表现出更强的鲁棒性和适应性。

  来源：Neurocomputing

  时间：2026-03-13

• 通过多样性共识图注入实现的多视图聚类

  多视图聚类通过多样性共识图融合（DCGI）方法，整合锚图构建与优化，学习跨视图共识锚和视图特定图，捕捉共同结构并避免性能损失。通过融合多尺度共识图，DCGI保持线性时间复杂度，有效处理大规模多视图数据，实验表明其优于现有方法。

  来源：Neurocomputing

  时间：2026-03-13

• 重新探讨基于多尺度特征表示与融合的无人机道路故障检测技术

  多尺度道路 distress 检测算法研究：提出MS-RDDNet框架，通过MSGC模块融合大核分离卷积与门控注意力，MSDHA机制结合多率膨胀卷积与双流注意力，以及LMSADet检测头优化多尺度特征融合，在UAV-PDD2023数据集上mAP@0.5达65.9%，验证其在复杂背景下的检测鲁棒性。

  来源：Neurocomputing

  时间：2026-03-13

• 通过深度非一致性均值教师模型和完全协作学习来减轻半监督分割中的模型耦合问题

  ComMatch通过深度不一致架构和全协作学习策略解决半监督分割中的子网耦合和未标注数据利用问题，在PASCAL VOC和Cityscapes上mIoU分别达78.68%和77.89%。

  来源：Neurocomputing

  时间：2026-03-13

• 普萘洛尔缓解睡眠呼吸暂停相关心脏反应：一项随机安慰剂对照交叉临床研究

  本研究探索了β-肾上腺素能受体阻滞剂对阻塞性睡眠呼吸暂停（OSA）相关心血管风险的干预作用。通过随机交叉试验，研究人员发现在持续气道正压（CPAP）撤机期间，长效普萘洛尔可显著降低夜间平均心率和因呼吸事件导致的心率加速，并减少清晨舒张压，但会轻度影响睡眠结构。这为OSA患者的心血管保护提供了新的潜在治疗靶点。

  来源：Sleep and Breathing

  时间：2026-03-13

• 患有早发性慢性肝病的儿童的入学准备情况：英格兰一项基于人群的关联数据队列研究

  儿童早期慢性肝病（CLD）与入学准备发展的关联性研究，基于英国5百万儿童的健康教育数据，发现CLD儿童在认知、行为、运动等七项发展指标上显著落后，平均总分降低0.69（95%CI 0.58-0.81），且效应在女孩、重症患者及较不发达地区更明显。

  来源：Archives of Disease in Childhood

  时间：2026-03-13

• 综述：基于深度学习的点云上采样：方法论综述、性能比较及噪声鲁棒性分析

  点云上采样技术通过深度学习方法解决稀疏输入到密集均匀分布的转化问题，重点分析监督与无监督框架的算法创新及噪声鲁棒性，提出未来研究方向。

  来源：Neurocomputing

  时间：2026-03-13

• 综述：智能动物姿态跟踪技术的进步：用于神经行为学研究

  动物行为姿态跟踪技术从传统计算机视觉方法发展到深度学习驱动的2D/3D高精度跟踪及多模态神经信号对齐，显著提升了行为量化与神经机制关联分析能力，推动神经医学研究从被动观察到机制解析。

  来源：Neurocomputing

  时间：2026-03-13

• 结合任务特定批量归一化（task-specific batch normalization）和分布外检测（out-of-distribution detection）的增量学习方法

  增量学习研究如何通过任务特定归一化（BN）层和分类头，结合OOD检测预测任务ID，平衡学习新任务与保留旧知识，在医学和自然图像数据集上达到最优性能。

  来源：Neurocomputing

  时间：2026-03-13

• 2012–2020年英格兰和威尔士因低血糖住院的新生儿人数：一项基于国家新生儿研究数据库的人群研究

  新生儿低血糖管理英国指南实施后， admissions率显著下降但未增加延迟或住院时长，半数病例无BAPM风险因素，需进一步研究LGA和SGA作为风险因素。

  来源：Archives of Disease in Childhood: Fetal & Neonatal

  时间：2026-03-13

• OCL-SKD：通过自我知识蒸馏在线持续学习中平衡塑性与稳定性

  在线持续学习需平衡模型获取新知识的能力（可塑性）与防止灾难性遗忘的稳定性。本文提出基于自知识蒸馏的OCL-SKD方法，通过从低置信度预测向高置信度预测转移知识削弱模型过度自信以提升可塑性，同时最小化新旧模型输出分布的散度以维持稳定性。实验在CIFAR-10、CIFAR-100和Tiny-ImageNet上验证，该方法达到最佳性能。

  来源：Neurocomputing

  时间：2026-03-13

• 用于时空风速预测的动态关键节点注意力机制

  时空注意力关键图双图卷积网络提升风速预测精度，实验表明其RMSE和MAE分别降低26.3%和26.7%，优于现有气象模型。

  来源：Neurocomputing

  时间：2026-03-13

• UniFuse：统一的原型优化与校准方法，用于小样本命名实体识别任务

  小样本命名实体识别（Few-shot NER）面临原型不稳定、监督不足和跨域分布偏移等问题，UniFuse提出后编码原型优化与校准框架，通过语义提示增强原型语义一致性，反事实原型混合提升类间可分性，信任加权校准调节预测置信度，结合高斯对比融合与跨度一致性正则化，在CoNLL 2003和Few-NERD数据集上F1达89.3%和81.2%，ECE仅0.12且推理速度低于26ms/次。

  来源：Neurocomputing

  时间：2026-03-13

• 使用超图神经网络对节点和属性进行共嵌入

  CnaHGNN基于超图神经网络，通过构建节点-属性二分图和超图结构，融合网络拓扑与节点属性信息，迭代优化嵌入表示并引入动态调整策略，有效提升嵌入质量与鲁棒性，实验验证其优于现有方法。

  来源：Neurocomputing

  时间：2026-03-13

知名企业招聘：