《Diagnostics》：Invasive Monitoring of Cerebral Autoregulation in Aneurysmal Subarachnoid and Intracerebral Hemorrhage: A Systematic Review and Meta-Analysis
编辑推荐：
沙特阿拉伯发布包含全国主要区域19种建筑风格的沙特建筑地图（Saudi Architecture Map）。这些建筑风格由该国不同的气候、材料和文化因素塑造。对定义这些风格的建筑元素进行深入分析可发现许多相似性与细微差异，使现代建筑的手动分类具有挑战性。尽管沙
沙特阿拉伯发布包含全国主要区域19种建筑风格的沙特建筑地图（Saudi Architecture Map）。这些建筑风格由该国不同的气候、材料和文化因素塑造。对定义这些风格的建筑元素进行深入分析可发现许多相似性与细微差异，使现代建筑的手动分类具有挑战性。尽管沙特遗产丰富，且自沙特建筑地图及其所含风格和相应设计指南发布以来，目前尚无可针对这些风格对立面图像进行自动化、定量且可复现分类的运行型数字流程，这限制了大规模的遗产记录与合规监测。本研究试图填补该空白。研究人员开发了一种考虑沙特建筑风格的建筑物立面图像深度学习分类框架。研究人员从在线遗产存储库采集数据，整理含2320张完整建筑立面图像与1430张建筑元素图像的3750张立面图像数据集。研究人员在统一的两阶段迁移学习策略下对五种卷积神经网络（CNN）骨干网络（ResNet50、EfficientNetB0、EfficientNetV2M、ConvNeXtBase、InceptionV3）进行基准测试：第一阶段在冻结骨干权重的条件下用建筑元素图像训练分类头，第二阶段在完整建筑立面图像上微调骨干顶层30%的层。五种CNN骨干中，ConvNeXtBase在四项指标上表现最强，总体准确率90.75%、F1分数88.06%、生产者准确率92.05%、用户准确率86.65%。18种风格中有10种F1超过90%；两个风格——Bisha Desert与Tabuk Coast，校正后测试数极少（分别为n=6与n=1）——低于70%。结果表明，采用两阶段迁移学习的ConvNeXtBase是沙特建筑风格自动化记录的 promising 步骤，但在用于合规监测部署前仍需通过消融测试或校准进一步验证。
研究背景方面，文化遗产能凝聚社区并维系其价值，联合国可持续发展目标（SDG）11.4呼吁保护文化与自然遗产。建筑遗产是区域身份的有形表达，也是经济发展与社会包容的催化剂。2025年3月16日沙特王储发布沙特建筑地图，提出19种受地理、气候与文化多样性影响的区域建筑风格及对应设计指南，用以在现代化与遗产保护间取得平衡。然而地理相邻风格视觉重叠，手动分类主观且困难；且自该地图发布后，仍无自动化、定量、可复现的立面图像分类数字流程，使遗产记录与合规监测依赖缓慢且主观的人工审查。因此，研究人员开展本研究，以深度学习对沙特18种官方建筑风格（Inner Madinah因无可用图像被排除）进行分类，并嵌入Gradio决策支持工具，服务遗产记录与合规监测。
关键技术方法上，研究人员从Getty Images、iStock、Alamy、TripAdvisor与Flickr等公开存储库按风格名检索并人工核对官方设计指南，构建3750张图像数据集（2320张全建筑立面、1430张建筑元素）。采用五阶段框架：多源数据集创建、预处理（对11个欠代表风格离线增广至约80张训练图、计算阶段专属类权重）、阶段一用建筑元素图像冻结ImageNet预训练骨干训练分类头、阶段二用全立面图像微调骨干顶层30%层并基准测试五种CNN骨干（ResNet50、EfficientNetB0、EfficientNetV2M、ConvNeXtBase、InceptionV3），最后将最优模型接入Gradio界面做多尺度测试时增广（MS-TTA）与置信度分级。训练用两台NVIDIA Tesla T4 GPU、全局批大小64、Adam优化器、稀疏类别交叉熵损失与混合精度（float16）。
研究结果部分，4.1 数据集创建与整合：经60/20/20划分与增广后，训练1920张、验证302张、留出测试396张（389张成功评分），覆盖18种风格。4.2 深度学习模型训练与验证：五骨干同超参下单跑评估，ConvNeXtBase总体准确率90.75%、F1 88.06%、生产者准确率92.05%、用户准确率86.65%；生产者与用户准确率接近，说明漏分与误分较平衡；East Coast等小样本类生产者准确率100%但Wilson置信区间宽。4.3 消融研究：以ConvNeXtBase跳过阶段一的单阶段对照显示，两阶段在四项指标均更优（总体90.75%对88.95%、均值F1 88.06%对84.55%），证明建筑元素级阶段一预训练有实质贡献。4.4 模型部署结果：ConvNeXtBase接入Gradio，输出前三预测与颜色编码置信度；误分类多发生于视觉和地理相邻风格，如Central Najdi最易被Northern Najdi、Najran等混淆，Al Qatif Oasis与Al Ahsa Oasis互混，说明模型学到真实但重叠的区域线索而非随机错分。
讨论部分，研究人员指出两阶段迁移学习可捕捉沙特区域建筑风格视觉特征；ConvNeXtBase在18类强相似任务中达总体准确率90.75%与F1 88.06%，生产者（92.05%）与用户（86.65%）准确率相近显示跨风格预测较平衡。颜色分级决策支持只能缓解而非消除数据量、类不平衡与未校准SoftMax带来的风险，系统应作专家复核的辅助工具而非部署级分类器。该研究延续Llamas等、Abed等、Cosovic和Jankovic的CNN迁移学习路线，并拓展至沙特全国空间尺度，据研究人员所知是首次用深度学习对沙特建筑作空间映射。Gradio界面把SoftMax概率转为决策信号，但未经校准，只能辅助不能替代专家。研究还说明该系统可支撑可持续城市发展中的合规监测、遗产保护中的早期非合规识别，以及长期数字遗产台账更新。
研究结论部分译为：研究人员开展了一项深度学习研究，将历史建筑自动分类为19种官方沙特建筑风格中的18种（Inner Madinah因无可用图像被排除）。结果表明，两步骤迁移学习框架能捕捉沙特区域建筑风格的视觉特征。在类间视觉相似性强的18类问题上，ConvNeXtBase取得90.75%总体准确率与88.06%的F1分数。生产者（92.05%）与用户（86.65%）准确率相近，表明模型在各风格上的预测较平衡。带置信度分层的决策支持设计用于缓解而非消除数据集规模、类不平衡与缺乏正式置信度校准带来的风险；该系统应被视为专家复核的支持工具，而非用于遗产记录或合规监测的就绪部署分类器。
