医学 AI

Histopathology Image Normalization via Latent Manifold Compaction

通过潜在流形压缩的组织病理图像标准化

Xiaolong Zhang, Jianwei Zhang, Selim Sevim, Emek Demir, Ece Eksi, Xubo Song

机构 * Knight Cancer Institute, Oregon Health and Science University（骑士癌症研究所，俄勒冈健康与科学大学） ； Brenden-Colson Center for Pancreatic Care, Oregon Health and Science University（布雷登-科尔森胰腺护理中心，俄勒冈健康与科学大学） 纠错

专题命中 病理影像 ：pathology(abstract)；分类 cs.CV、cs.LG

AI总结 本文提出LMC方法，通过压缩染色诱导的潜在流形实现组织病理图像标准化，有效减少批次效应，提升跨批次任务的泛化能力。

Comments 11 pages

Footprint-Guided Exemplar-Free Continual Histopathology Report Generation

足迹引导的无示例持续病理报告生成

Pratibha Kumari, Daniel Reisenbüchler, Afshin Bozorgpour, yousef Sadegheih, Priyankar Choudhary, Dorit Merhof

机构 * Faculty of Informatics and Data Science, University of Regensburg, Germany（信息学与数据科学学院，雷根萨大学） ； Indian Institute of Information Technology Bhopal, India（比哈尔信息学院） 纠错

专题命中 病理影像 ：pathology(abstract)；分类 cs.CV

AI总结 本文提出一种无示例的持续学习框架，通过构建紧凑的领域足迹实现WSI到报告的生成，支持生成性重放并适应变化的临床报告规范。

Suppressing Prior-Comparison Hallucinations in Radiology Report Generation via Semantically Decoupled Latent Steering

通过语义解耦潜在引导抑制放射科报告生成中的先验比较幻觉

Ao Li, Rui Liu, Mingjie Li, Sheng Liu, Lei Wang, Xiaodan Liang, Lina Yao, Xiaojun Chang, Lei Xing

机构 * University of New South Wales（新南威尔士大学） ； Australian Artificial Intelligence Institute, University of Technology Sydney（澳大利亚人工智能研究所，技术悉尼大学） ； Stanford University（斯坦福大学） ； School of Computing and Information Technology of University of Wollongong Australia（沃林根澳大利亚大学计算与信息科技学院） ； Sun Yat-sen University（中山大学） ； University of Science and Technology of China（中国科学技术大学） 纠错

专题命中 医疗多模态 ：radiology(title,abstract)；分类 cs.CV

AI总结 本文提出语义解耦潜在引导方法，通过正交化技术减少放射科报告生成中的历史幻觉，提升临床准确性与报告忠实度。

Comments 15 pages, 5 figures

Advancing Evidence Generation in Biomedical Research Using Natural Hermite and Propensity Score Indices: Applications to External Control Arms

利用自然赫尔米特和倾向分数指数推进生物医学研究中的证据生成：应用于外部对照组

Javier Cabrera, Berhanu Alemayehu, Demissie Alemayehu, Sofia Weigle

专题命中 生物医学文本 ：biomedical(title)

AI总结 本文提出利用自然赫尔米特和倾向分数指数改进生物医学研究中的证据生成，通过模拟数据和临床试验数据展示其在外部对照组应用中的有效性。

Stress-Testing Assumptions: A Guide to Bayesian Sensitivity Analyses in Causal Inference

对假设进行压力测试：因果推断中贝叶斯敏感性分析的指南

Arman Oganisian

专题命中 生物医学文本 ：biomedical(abstract)

AI总结 本文介绍贝叶斯敏感性分析在因果推断中的应用，通过四个案例展示如何统一使用贝叶斯方法处理暴露误分类、未测量混杂因素及缺失数据问题，并提供Stan软件的实现指导。

ULW-SleepNet: An Ultra-Lightweight Network for Multimodal Sleep Stage Scoring

ULW-SleepNet: 一种超轻量级的多模态睡眠阶段评分网络

Zhaowen Wang, Dongdong Zhou, Qi Xu, Fengyu Cong, Mohammad Al-Sa'd, Jenni Raitoharju

机构 * School of Computer Science and Technology, Dalian University of Technology（大连理工大学计算机科学与技术学院） ； Faculty of Information Technology, University of Jyväskylä（于韦斯屈莱大学信息科技学院） ； Key Laboratory of Social Computing and Cognitive Intelligence, Ministry of Education（教育部社会计算与认知智能重点实验室） ； School of Biomedical Engineering, Faculty of Medicine, Dalian University of Technology（大连理工大学生物医学工程学院） ； Department of Computing Sciences, Tampere University（塔尔库大学计算机科学系） ； Faculty of Medicine, University of Helsinki（赫尔辛基大学医学学院） 纠错

专题命中 健康监测 ：diagnosis(abstract)；分类 cs.LG、eess.SP

AI总结 ULW-SleepNet通过轻量级多模态网络实现高效睡眠阶段评分，参数减少达98.6%且保持高准确率，适用于实时睡眠监测。

Comments Accepted to ICASSP 2026

Towards Privacy-Guaranteed Label Unlearning in Vertical Federated Learning: Few-Shot Forgetting without Disclosure

面向垂直联邦学习中隐私保障的标签撤销学习：无需披露的少样本遗忘

Hanlin Gu, Hong Xi Tae, Lixin Fan, Chee Seng Chan

机构 * WeBank AI Lab（WeBank人工智能实验室） ； Universiti Malaya（马来亚大学） 纠错

专题命中 医学数据与评测 ：MRI(abstract)；分类 cs.CV、cs.LG

AI总结 本文提出一种面向垂直联邦学习中隐私保障的标签撤销学习方法，通过流形混合机制生成合成嵌入，实现高效标签撤销与性能恢复。

Comments Accepted at ICLR2026. This paper introduces the first method for label unlearning in vertical federated learning (VFL), focused on preventing label leakage by the active party

FedVG: Gradient-Guided Aggregation for Enhanced Federated Learning

FedVG: 基于梯度的聚合以提升联邦学习

Alina Devkota, Jacob Thrasher, Donald Adjeroh, Binod Bhattarai, Prashnna K. Gyawali

机构 * West Virginia University（西弗吉尼亚大学） ； University of Aberdeen（阿伯丁大学） ； Fogsphere (Redev.AI)（Fogsphere（Redev.AI）） 纠错

专题命中 医学数据与评测 ：medical image(abstract)；分类 cs.CV、cs.LG

AI总结 FedVG通过利用全局验证集指导梯度优化，提升联邦学习在异质数据环境下的泛化性能和聚合效果。

Comments Accepted to CVPR 2026 (Findings Track)