医工简报 | 大脑如何将压力转化为糟糕的夜间睡眠；使用 Eye2Gene 进行多模态成像的遗传性视网膜疾病的下一代表型

星标“医工学人”，第一时间获取医工交叉领域新闻动态~

6.20‍‍‍‍‍‍‍‍

医工学人

The Innovators

1. Nature | 大脑如何将压力转化为糟糕的夜间睡眠？；

2. Nature Machine Intelligence | 使用 Eye2Gene 进行多模态成像的遗传性视网膜疾病的下一代表型；
3. IEEE Trans. Med. Imaging | EchoFM：面向通用超声心动图分析的基础模型；

4. Nature | 生物神经网络中的无监督预训练；

医工简报音频内容已在喜马拉雅、小宇宙等平台上线，欢迎订阅收听~

临床综合

Nature | 大脑如何将压力转化为糟糕的夜间睡眠？

6月19日，《自然》杂志发表新闻文章，对上周发表在《神经科学杂志》（The Journal of Neuroscience）”下丘脑的大脑区域中的神经元介导压力对睡眠和记忆的影响“的研究进行了报道。该研究提出大脑深处室旁核中的神经元变化能够解释压力如何导致睡眠和记忆问题，这项研究可能为治疗与压力相关的睡眠障碍提供新的靶点。

https://www.nature.com/articles/d41586-025-01910-6

医学人工智能

Nature Machine Intelligence | 使用 Eye2Gene 进行多模态成像的遗传性视网膜疾病的下一代表型

Eye2Gene 的新一代多模态图像表型分析通过改进筛查、表型驱动的变异优先级和表型空间中的自动相似性匹配来推动基因发现，从而提高遗传性视网膜疾病的诊断率。

https://www.nature.com/articles/s42256-025-01040-8

医学成像技术

IEEE Trans. Med. Imaging | EchoFM：面向通用超声心动图分析的基础模型

超声心动图（Echocardiography）是临床首选的无创心脏成像技术，可提供丰富的时空解剖与生理信息。6月19日，哈佛医学院等机构的研究团队提出了EchoFM，一个专为超声心动图设计的通用视觉基础模型，基于包含6500名患者、超过2000万帧图像（28.6万个视频）的大规模多中心数据集进行训练。其核心创新在于：提出时空一致性掩码策略，确保高掩码率下对比学习样本的可比性；引入周期性驱动对比学习，利用心脏运动的固有周期性，通过时序自相似矩阵构建正负样本对，学习跨周期相同相位的一致表征和不同相位的区分性表征；在掩码自编码器（MAE）框架下有效融合了重建损失与周期性对比损失。该模型是首个针对超声心动图周期性动态特性定制的基础模型，其高效性（仅需10%标注数据即可接近全监督模型性能）和开源特性（代码与模型权重已公开）为提升心脏疾病诊断的自动化水平提供了有力工具。

https://doi.org/10.1109/TMI.2025.3580713

康复（神经）工程

Nature | 生物神经网络中的无监督预训练

神经网络中的表示学习可以使用有监督或无监督算法来实现，其区别在于指令的可用性。在感觉皮层中，感知学习驱动神经可塑性，但是目前我们尚不清楚这是由于监督学习还是无监督学习。6月18日，发表在《自然》期刊的研究对该问题进行了深入探索。科学家们在小鼠学习多项任务师同时记录了来自初级视觉皮层（V1）和高级视觉区域（HVA）的多达 90,000 个神经元群。他们发现小鼠的神经变化和他们的行为学习相关。同时，神经变化大多在无回报暴露的小鼠中复制，这表明这些变化实际上是由于无监督学习造成的。内侧 HVA 的神经可塑性最高，并且遵守视觉学习规则，而不是空间学习规则。

https://www.nature.com/articles/s41586-025-09180-y

END

内容 | 罗虎张艳青郝娅婷

编辑 | 吴苡齐

审核 | 刘帅罗虎

扫码添加医工学人负责人微信，进入综合及细分领域群聊（国内外医工交叉领域顶尖高校、科研院所、医院、企业等专家学者、硕博士、工程师、企业家等），参与线上线下交流活动