近日，计算机与信息学院刘进老师负责的智能影像与医工融合创新团队，在人工智能领域国际权威期刊《Knowledge-Based Systems》（中科院一区TOP，影响因子8.0）中发表题为“CASE-TCR: Content aware and sparse selection attention driven learning framework for pan-cancer prediction using T-cell receptor sequences”和“Complexity-aware synergistic distillation for efficient abstractive summarization”的高水平学术论文。安徽工程大学为第一署名单位。
TCR组库是癌症相关免疫活动的重要指标，在免疫诊断中具有巨大潜力，团队提出一种新型的深度学习架构CASE-TCR。CASE-TCR采用动态蛋白BERT编码器和Sparsemax注意力从CDR3序列中提取上下文特征，借助自对比学习方法，来提升低频癌症相关TCR的预测性能。在涵盖1164名患者10种癌症类型的评估中取得了显著性能提升，不同癌症类型中也表现出良好的鲁棒性，为泛癌筛查和精准免疫治疗监测提供了一种可选的计算工具。
图1. CASE-TCR框架示意图
针对摘要生成计算密集型任务，大规模编码器-解码器模型的高效部署常受场景限制。为此，团队提出了一种面向摘要生成的复杂度感知协同蒸馏方法，通过增强教师模型、动态选择学生深度和多层知识协同传递，在模型紧凑性与语义保真度之间取得平衡。实验表明，该方法在大幅压缩下仍能保持接近教师模型的摘要生成效果，为海量医学文本信息的高效摘要生成提供了可部署途径。
图2.面向摘要生成的复杂度感知协同蒸馏流程
论文原文链接：https://doi.org/10.1016/j.knosys.2026.115838、https://doi.org/10.1016/j.knosys.2026.116782