医学 AI

A Deep Learning Approach for Overall Survival Prediction in Lung Cancer with Missing Values

针对肺癌中缺失值的深度学习整体生存预测方法

Camillo Maria Caruso, Valerio Guarrasi, Sara Ramella, Paolo Soda

专题命中 病理影像 ：CT(abstract)；分类 cs.LG

AI总结 本文提出了一种基于transformer架构的深度学习方法，用于处理肺癌患者整体生存预测中的缺失数据，通过自适应特征嵌入和掩码自注意力机制，无需填补策略即可提升预测精度。

Comments 24 pages, 4 figures

Journal ref Computer Methods and Programs in Biomedicine 254 (2024) 108308

MedMO: Grounding and Understanding Multimodal Large Language Model for Medical Images

MedMO：为医学图像构建和理解多模态大语言模型

Ankan Deria, Komal Kumar, Adinath Madhavrao Dukre, Eran Segal, Salman Khan, Imran Razzak

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

AI总结 MedMO是一种基于通用MLLM架构构建的医学多模态基础模型，通过多阶段训练提升跨模态和任务的性能，超越现有开源基线，在医学图像识别和报告生成中取得显著提升。

Comments 21 pages, 6 figures and 4 tables

A Systematic Review of Intermediate Fusion in Multimodal Deep Learning for Biomedical Applications

多模态深度学习在生物医学应用中的中间融合系统综述

Valerio Guarrasi, Fatih Aksu, Camillo Maria Caruso, Francesco Di Feola, Aurora Rofena, Filippo Ruffini, Paolo Soda

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

AI总结 本文系统综述了多模态深度学习在生物医学应用中的中间融合方法，分析了现有技术、挑战及未来方向，并提出结构化符号以促进方法的广泛应用。

Journal ref Image and Vision Computing 158 (2025) 105509

Multimodal Explainability via Latent Shift applied to COVID-19 stratification

多模态可解释性通过潜在位移应用于COVID-19分层

Valerio Guarrasi, Lorenzo Tronchin, Domenico Albano, Eliodoro Faiella, Deborah Fazzini, Domiziana Santucci, Paolo Soda

专题命中 医疗多模态 ：diagnosis(abstract)；分类 cs.LG

AI总结 本文提出一种多模态可解释方法，通过潜在位移技术在COVID-19分层中实现决策解释，提升模型可解释性与分类性能。

Journal ref Pattern Recognition 156 (2024) 110825

Large Language Models for Biomedical Article Classification

用于生物医学文章分类的大型语言模型

Jakub Proboszcz, Paweł Cichosz

专题命中 生物医学文本 ：biomedical(title,abstract)

AI总结 本文研究了大型语言模型在生物医学文章分类中的应用，通过对比传统算法，验证了其有效性并提出了实用的设置建议。

Comments 63 pages, 25 tables, 4 figures

To Believe or Not To Believe: Comparing Supporting Information Tools to Aid Human Judgments of AI Veracity

相信还是不相信：比较支持信息工具以帮助人类判断AI可信度

Jessica Irons, Patrick Cooper, Necva Bolucu, Roelien Timmer, Huichen Yang, Changhyun Lee, Brian Jin, Andreas Duenser, Stephen Wan

专题命中 生物医学文本 ：biomedical(abstract)

AI总结 本文比较了不同支持信息工具对人类判断AI可信度的影响，发现段落检索在准确性和速度上表现良好，而LLM解释易导致过度依赖。

FedSKD: Aggregation-free Model-heterogeneous Federated Learning via Multi-dimensional Similarity Knowledge Distillation for Medical Image Classification

FedSKD: 一种无需聚合的联邦学习模型异质性方法通过多维相似性知识蒸馏用于医学图像分类

Ziqiao Weng, Weidong Cai, Bo Zhou

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

AI总结 FedSKD通过多维相似性知识蒸馏实现无需聚合的异构联邦学习，提升医学图像分类的个性化与泛化能力。

Comments Accepted at IEEE-TNNLS, 17 pages

FL-MedSegBench: A Comprehensive Benchmark for Federated Learning on Medical Image Segmentation

FL-MedSegBench: 一个全面的联邦学习在医学图像分割中的基准测试

Meilu Zhu, Zhiwei Wang, Axiu Mao, Yuxing Li, Xiaohan Xing, Yixuan Yuan, Edmund Y. Lam

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

AI总结 FL-MedSegBench是一个全面的医学图像分割联邦学习基准测试，评估了多种FL方法在分割精度、公平性、通信效率等多维度的表现，揭示了个性化方法在特定场景下的优势。

Comments 19 pages,4 figures

Benchmarking LLMs for Pairwise Causal Discovery in Biomedical and Multi-Domain Contexts

在生物医学和多领域背景下对LLM进行成对因果发现的基准测试

Sydney Anuyah, Sneha Shajee-Mohan, Ankit-Singh Chauhan, Sunandan Chakraborty

专题命中 医学数据与评测 ：biomedical(title)

AI总结 本文评估了13个开源LLM在生物医学和多领域背景下进行成对因果发现的能力，发现现有模型在处理复杂因果关系时表现不佳，提出了统一的评估框架并公开数据以促进研究。

FinRule-Bench: A Benchmark for Joint Reasoning over Financial Tables and Principles

FinRule-Bench：一个用于金融表和原则联合推理的基准

Arun Vignesh Malarkkan, Manan Roy Choudhury, Guangwei Zhang, Vivek Gupta, Qingyun Wang, Yanjie Fu, Denghui Zhang

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

AI总结 FinRule-Bench是一个评估金融表与原则联合推理能力的基准，通过三个任务测试模型在规则验证、识别和多违规诊断中的表现，揭示LLMs在高风险金融分析中的局限性。

Comments 8 pages + Ethics Statement + References + Appendix

PosIR: Position-Aware Heterogeneous Information Retrieval Benchmark

PosIR：位置感知的异构信息检索基准

Ziyang Zeng, Dun Zhang, Yu Yan, Xu Sun, Cuiqiaoshu Pan, Yudong Zhou, Yuqing Yang

专题命中 医学数据与评测 ：diagnosis(abstract)

AI总结 PosIR是一个标准化的异构信息检索基准，通过长度控制分桶策略系统诊断位置偏差，揭示了检索模型在长文档中存在优先偏差及近期偏差，暴露了短文本评估的局限性。

Comments Work in progress