兵和空降兵。”
“如果NR-7能成功转化，受益最大的就是军队系统。”
“所以军方不会在审批上卡我们。”
陆晨嗯了一声。
方芷晴喝了一口水，放下杯子。
“还有一件事。”
她的声音低了一些。
“诺盛那边最近动作很大，不只是发论文这么简单。”
“他们在欧洲同步启动了两项临床前研究，试图用速度换时间。”
“如果我们的动物实验晚了，他们有可能在临床前数据上抢先发表。”
“到时候学术界和监管层都会默认他们是先行者，我们反而变成了追随者。”
陆晨看着她。
“你的意思是，时间上已经很紧了。”
方芷晴点了一下头。
“越快越好。”
两个人又聊了十几分钟关于硬件适配的细节，然后方芷晴起身告辞。
走之前她回头看了陆晨一眼。
“今天那个十九点六微米的数据，是我这几年听到的最好的消息。”
“谢谢。”
陆晨摆了摆手。
“别谢我，谢你自己的工程团队，他们的底层框架帮我省了很多事。”
方芷晴没有再说什么，转身走了出去。
……
回到宿舍之后，陆晨打开电脑，开始逐字逐句地拆解诺盛那篇预印本论文。
全文二十七页，包括正文、方法、补充材料和数据附录。
他从方法部分开始看起。
诺盛团队使用的是一个改良版的U-Net网络架构。
输入是标准DTI数据，输出是三维纤维定位坐标。
训练数据来自他们自建的一个脊髓标本数据库，总共五百多例。
网络经过训练之后，在测试集上报告了三十五微米的平均定位精度。
看上去数据很漂亮，但陆晨在读到训练数据描述的时候就发现了问题。
他们用来标注的组织学切片，分辨率是三十微米。
也就是说，训练数据本身的精度上限就是三十微米。
让一个网络从三十微米精度的标注数据里学出三十五微米的定位能力，这是合理的。
但你想让它学出二十微米甚至更高的精度，那就是在让网络凭空创造不存在的信息。
这在机器学习领域有一个名字，叫做信息瓶颈。
无论你的网络架构多复杂，训练策略多精巧，精度都不可能超过训练数据本身的分辨率。
……
陆晨继续往下看，又发现了第二个问题。
诺盛的模型在处理纤维交叉区域时表现明显下降。
他们的补充材料
第606章 你的意思是，时间上已经很紧了？-->>(第2/3页)，请点击下一页继续阅读。