医学 AI

A Heterogeneous Ensemble for Multi-Center COVID-19 Classification from Chest CT Scans

一种异构集成用于多中心基于胸部CT扫描的新冠分类

Aadit Nilay, Bhavesh Thapar, Anant Agrawal, Mohammad Nayeem Teli

机构 * University of Maryland, College Park（马里兰大学，学院公园分校） 纠错

专题命中 医学影像 ：CT(title,abstract)；medical image(abstract)；diagnosis(abstract)；分类 cs.CV、eess.IV

AI总结 本文提出异构集成模型，结合三种不同方法，提升多中心CT图像分类性能，通过领域感知增强和阈值优化，实现平均宏F1值达0.9280。

HMAR: Hierarchical Modality-Aware Expert and Dynamic Routing Medical Image Retrieval Architecture

HMAR：分层模态感知专家与动态路由医学图像检索架构

Aojie Yuan

机构 * Shanghai Jiao Tong University（上海交通大学） 纠错

专题命中 医学影像 ：medical image(title,abstract)；CT(abstract)；diagnosis(abstract)；分类 cs.CV

AI总结 本文提出HMAR框架，通过双专家机制和两阶段对比学习实现细粒度医学图像检索，提升检索精度与效率。

Comments 8 pages, 7 figures, 1 table

Beyond the Embedding Bottleneck: Adaptive Retrieval-Augmented 3D CT Report Generation

突破嵌入瓶颈：适应性检索增强的3D CT报告生成

Renjie Liang, Yiling Ma, Yang Xing, Zhengkang Fan, Jinqian Pan, Chengkun Sun, Li Li, Kuang Gong, Jie Xu

机构 * University of Florida（佛罗里达大学） ； Yale University（耶鲁大学） ； University of Southern California（南加州大学） 纠错

专题命中 医学影像 ：CT(title,abstract)；pathology(abstract)；radiology(abstract)；分类 cs.CV

AI总结 本文提出AdaRAG-CT框架，通过引入补充文本信息缓解3D CT视觉表示瓶颈，提升CT-RATE基准的临床效果。

Clinical Priors Guided Lung Disease Detection in 3D CT Scans

基于临床先验的3D CT扫描肺部疾病检测

Kejin Lu, Jianfa Bai, Qingqiu Li, Runtian Yuan, Jilan Xu, Junlin Hou, Yuejie Zhang, Rui Feng

机构 * College of Computer Science and Artificial Intelligence, Shanghai Key Laboratory of Intelligent Information Processing, Fudan University（计算机科学与人工智能学院，上海智能信息处理重点实验室，复旦大学） ； University of Oxford（牛津大学） ； The Hong Kong University of Science and Technology（香港科技大学） 纠错

专题命中 医学影像 ：CT(title,abstract)；diagnosis(abstract)；分类 cs.CV、eess.IV

AI总结 本文提出一种考虑性别因素的两阶段肺部疾病分类框架，通过性别分类器和性别特异性疾病分类器提升少数类疾病识别性能，尤其在鳞状细胞癌上表现突出。

Standardizing Medical Images at Scale for AI

大规模标准化医学图像以促进AI

Callen MacPhee, Yiming Zhou, Koichiro Kishima, Bahram Jalali

机构 * ECE Department, UCLA（UCLA电子工程系） ； Pinpoint Photonics, Inc.（Pinpoint Photonics公司） ； Adventure Photonics 纠错

专题命中 医学影像 ：medical image(title,abstract)；clinical AI(abstract)；分类 eess.IV

AI总结 本文提出基于物理原理的医学图像预处理框架，通过光学物理推导确定性变换，减少图像异质性，提升跨机构模型泛化能力，实验显示其在乳腺癌分类中效果优于数据增强和领域泛化方法。

Vision-Language Model Based Multi-Expert Fusion for CT Image Classification

基于视觉-语言模型的多专家融合用于CT图像分类

Jianfa Bai, Kejin Lu, Runtian Yuan, Qingqiu Li, Jilan Xu, Junlin Hou, Yuejie Zhang, Rui Feng

机构 * College of Computer Science and Artificial Intelligence, Shanghai Key Laboratory of Intelligent Information Processing, Fudan University（复旦大学计算机科学与人工智能学院，上海智能信息处理重点实验室） ； University of Oxford（牛津大学） ； The Hong Kong University of Science and Technology（香港科技大学） 纠错

专题命中 医学影像 ：CT(title,abstract)；分类 cs.CV、eess.IV

AI总结 本文提出一种三阶段源感知多专家框架，通过构建肺部感知3D专家、开发MedSigLIP基专家和训练源分类器，提升多源CT图像中新冠检测的鲁棒性，实验结果显示在不同阶段模型在宏F1、ACC和AUC指标上均取得优异成绩。

Volumetrically Consistent Implicit Atlas Learning via Neural Diffeomorphic Flow for Placenta MRI

通过神经微分流实现体积一致的隐式图谱学习用于胎盘MRI

Athena Taymourtash, S. Mazdak Abulnaga, Esra Abaci Turk, P. Ellen Grant, Polina Golland

机构 * MIT Computer Science and Artificial Intelligence Laboratory（麻省理工学院计算机科学与人工智能实验室） ； Massachusetts General Hospital, Harvard Medical School（哈佛医学院麻省总医院） ； Boston Children’s Hospital, Harvard Medical School（哈佛医学院波士顿儿童医院） 纠错

专题命中 医学影像 ：MRI(title,abstract)；分类 cs.CV

AI总结 本文提出一种体积一致的隐式模型，结合SDF重建与神经微分流，学习胎盘的共享模板，通过体积正则化提升变形一致性，实现胎盘MRI的统一空间映射。

RadAnnotate: Large Language Models for Efficient and Reliable Radiology Report Annotation

RadAnnotate：用于高效可靠放射科报告标注的大型语言模型

Saisha Pradeep Shetty, Roger Eric Goldman, Vladimir Filkov

机构 * Department of Computer Science, University of California, Davis, CA, USA（加州大学戴维斯分校计算机科学系） ； Department of Radiology, University of California, Davis, CA, USA（加州大学戴维斯分校放射学系） 纠错

专题命中 医学影像 ：radiology(title,abstract)；分类 cs.LG

AI总结 本文提出RadAnnotate框架，通过检索增强合成报告和基于置信度的选择性自动化，减少放射科报告标注的人力成本，提升标注效率和可靠性。

Comments 10 pages, 3 figures. Accepted at AMIA Amplify Informatics Summit 2026

Three-Dimensional MRI Reconstruction with Gaussian Representations: Tackling the Undersampling Problem

三维MRI重建与高斯表示：解决欠采样问题

Tengya Peng, Ruyi Zha, Zhen Li, Xiaofeng Liu, Qing Zou

专题命中 医学影像 ：MRI(title,abstract)；分类 eess.IV

AI总结 本文提出3D高斯MRI框架，利用高斯分布重建等效分辨率的3D MRI，无需大量数据集，有效提升重建质量。

Med-DualLoRA: Local Adaptation of Foundation Models for 3D Cardiac MRI

Med-DualLoRA: 3D心脏MRI基础模型的局部适应

Joan Perramon-Llussà, Amelia Jiménez-Sánchez, Grzegorz Skorupko, Fotis Avgoustidis, Carlos Martín-Isla, Karim Lekadir, Polyxeni Gkontra

机构 * Artificial Intelligence in Medicine Lab (BCN-AIM), Departament de Matemàtiques i Informàtica, Universitat de Barcelona, Spain（巴塞罗那大学人工智能医学实验室（BCN-AIM）、数学与计算机科学系，西班牙） ； Institució Catalana de Recerca i Estudis Avançats (ICREA), Barcelona, Spain（加泰罗尼亚高级研究机构（ICREA），巴塞罗那，西班牙） 纠错

专题命中 医学影像 ：MRI(title)；分类 cs.CV

AI总结 本文提出Med-DualLoRA框架，通过解耦全局共享和局部低秩适应，实现3D心脏MRI疾病检测的联邦学习，提升个性化与通信效率。

Comments 11 pages, 2 figures. Submitted to MICCAI 2026

Learning complete and explainable visual representations from itemized text supervision

从条目化文本监督中学习完整且可解释的视觉表示

Yiwei Lyu, Chenhui Zhao, Soumyanil Banerjee, Shixuan Liu, Akshay Rao, Akhil Kondepudi, Honglak Lee, Todd C. Hollon

机构 * University of Michigan（密歇根大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） 纠错

专题命中 医学影像 ：MRI(abstract)；CT(abstract)；分类 cs.CV

AI总结 本文提出ItemizedCLIP框架，通过条目化文本监督学习完整且可解释的视觉表示，在四个自然条目化领域和一个合成数据集上实现了零样本性能和细粒度可解释性的显著提升。

Distributional Consistency Loss: Beyond Pointwise Data Terms in Inverse Problems

分布一致性损失：逆问题中超越点wise数据项

George Webber, Andrew J. Reader

专题命中 医学影像 ：medical image(abstract)；分类 cs.CV、cs.LG

AI总结 本文提出分布一致性损失，通过评估观测数据与噪声分布的一致性，避免过拟合噪声，提升图像去噪和医学图像重建性能。

Comments Author's accepted version (ICLR 2026)

FederatedFactory: Generative One-Shot Learning for Extremely Non-IID Distributed Scenarios

FederatedFactory: 生成式单次学习用于极端非独立同分布分布式场景

Andrea Moleri, Christian Internò, Ali Raza, Markus Olhofer, David Klindt, Fabio Stella, Barbara Hammer

机构 * Honda Research Institute Europe（本田欧洲研究院） ； University of Milan-Bicocca（米兰-比科卡大学） ； Bielefeld University（比勒菲尔德大学） ； Cold Spring Harbor Laboratory（冷泉港实验室） 纠错

专题命中 医学影像 ：medical image(abstract)；分类 cs.LG

AI总结 FederatedFactory通过生成式先验倒置联邦单位，实现无冲突的分布式学习，提升医疗影像基准测试性能，恢复中央上限表现，且支持模块化反向学习。

Segmentation-before-Staining Improves Structural Fidelity in Virtual IHC-to-Multiplex IF Translation

在虚拟IHC到多通道IF转换中，先分割再染色提高结构保真度

Junhyeok Lee, Han Jang, Heeseong Eum, Joon Jang, Kyu Sung Choi

机构 * Interdisciplinary Program in Cancer Biology, Seoul National University College of Medicine（癌症生物学跨学科项目，首尔国立大学医学院） ； Interdisciplinary Program in Bioengineering, Seoul National University（生物工程跨学科项目，首尔国立大学） ； Department of Biomedical Sciences, Seoul National University（生物医学科学系，首尔国立大学） ； Department of Radiology, Seoul National University Hospital（放射科，首尔国立大学医院） ； Department of Radiology, Seoul National University College of Medicine（放射科，首尔国立大学医学院） ； Healthcare AI Research Institute, Seoul National University Hospital（医疗人工智能研究 institute，首尔国立大学医院） 纠错

专题命中 医学影像 ：pathology(abstract)；分类 cs.CV

AI总结 本文提出一种无需监督的条件策略，通过预训练的核分割模型生成连续细胞概率图，结合保持局部强度统计的正则化项，提升虚拟染色的核计数保真度和感知质量。

Comments 11 pages, 2 figures, 2 tables. Submitted to MICCAI 2026

Overview of the CXR-LT 2026 Challenge: Multi-Center Long-Tailed and Zero Shot Chest X-ray Classification

CXR-LT 2026挑战概述：多中心长尾和零样本胸片分类

Hexin Dong, Yi Lin, Pengyu Zhou, Xuan Zhong Feng, Alan Clint Legasto, Mingquan Lin, Hao Chen, Yuzhe Yang, George Shih, Yifan Peng

机构 * Weill Cornell Medicine（韦尔·科恩医学中心） ； Peking Union Medical College（北京协和医学院） ； University of Minnesota（明尼苏达大学） ； Hong Kong University of Science and Technology（香港科学与技术大学） ； University of California, Los Angeles（加州大学洛杉矶分校） 纠错

专题命中 医学影像 ：diagnosis(abstract)；分类 cs.CV

AI总结 该研究提出CXR-LT 2026挑战，通过多中心数据集和两个核心任务，解决胸片分类中的长尾分布和零样本泛化问题，验证大规模视觉-语言预训练对零样本诊断的提升作用。

An implicit restriction in the Dirac quantization

Dirac方程中的隐含限制

Han Geurdes

专题命中 医学影像 ：CT(abstract)

AI总结 研究Dirac方程中自由中微子粒子的数学限制，通过时空四变量等价性探讨时空变量互换对中微子描述的影响，提出洛伦兹不变混合度量张量方程以解释中微子在不同视角下的内部变化。

Self-supervised Disentanglement of Disease Effects from Aging in 3D Medical Shapes

在3D医学形状中实现疾病效应与衰老的自监督解耦

Jakaria Rabbi, Nilanjan Ray, Dana Cobzas

机构 * Department of Computing Science, University of Alberta（阿尔伯塔大学计算机科学系） ； Department of Computer Science, MacEwan University（麦克麦大学计算机科学系） 纠错

专题命中 临床大模型 ：diagnosis(abstract)；分类 cs.CV、cs.LG

AI总结 本文提出两阶段框架，通过自监督解耦隐式形状表示，解决诊断标签有限时区分疾病与衰老变化的挑战，提升解耦与重建性能。

Comments 10 pages

Relaxed Efficient Acquisition of Context and Temporal Features

放松的高效上下文与时间特征获取

Yunni Qu, Dzung Dinh, Grant King, Whitney Ringwald, Bing Cai Kok, Kathleen Gates, Aidan Wright, Junier Oliva

机构 * University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校） ； University of Michigan（密歇根大学） ； University of Minnesota Twin Cities（明尼苏达大学双城分校） 纠错

专题命中 临床大模型 ：biomedical(abstract)；分类 cs.LG

AI总结 REACT框架通过联合优化上下文描述和时间适应性特征获取，提高预测性能并降低获取成本，解决生物医学中测量资源受限的问题。

AOI: Turning Failed Trajectories into Training Signals for Autonomous Cloud Diagnosis

AOI: 将失败轨迹转化为自主云诊断的训练信号

Pei Yang, Wanyi Chen, Asuka Yuxi Zheng, Xueqian Li, Xiang Li, Haoqin Tu, Jie Xiao, Yifan Pang, Dongdong Zhang, Fuqiang Li, Alfred Long, Lynn Ai, Eric Yang, Bill Shi

机构 * Gradient ； Soochow University（苏州大学） ； UC Santa Cruz ； Georgia Institute of Technology（佐治亚理工学院） ； University College London（伦敦大学学院） ； WeJoy ； ByteDance（字节跳动） 纠错

专题命中 诊断辅助 ：diagnosis(title)；分类 cs.LG

AI总结 AOI通过结构化轨迹学习框架，在安全约束下实现自动化操作，结合可训练诊断系统、读写分离执行架构和失败轨迹闭环演进器，提升云诊断性能。

Model Medicine: A Clinical Framework for Understanding, Diagnosing, and Treating AI Models

模型医学：一种临床框架，用于理解、诊断和治疗AI模型

Jihoon Jeong

机构 * Department of Electrical Engineering and Computer Science, Daegu Gyeongbuk Institute of Science and Technology (DGIST)（大邱庆州市科学技术院电子工程与计算机科学系） ； ModuLabs 纠错

专题命中 诊断辅助 ：MRI(abstract)；diagnosis(abstract)；分类 cs.LG

AI总结 本文提出模型医学框架，旨在填补AI可解释性研究与复杂AI系统所需系统临床实践之间的差距，提出五个核心贡献，包括学科分类、四壳模型、神经MRI诊断工具、五层诊断框架及临床模型科学。

Comments 56 pages, 7 figures. Project page: https://jihoonjeong.github.io/model-medicine/

Association of Progressive PPFE and Mortality in Lung Cancer Screening Cohorts

进展性PPFE与肺癌筛查队列中死亡率的关联

Shahab Aslani, Mehran Azimbagirad, Daryl Cheng, Daisuke Yamada, Ryoko Egashira, Adam Szmul, Justine Chan-Fook, Robert Chapman, Alfred Chung Pui So, Shanshan Wang, John McCabe, Tianqi Yang, Jose M Brenes, Eyjolfur Gudmundsson, The SUMMIT Consortium, Susan M. Astley, Daniel C. Alexander, Sam M. Janes, Joseph Jacob

机构 * Satsuma Lab, Hawkes Institute, University College London, London, UK ； Department of Respiratory Medicine, University College London, London, UK ； Department of Computer Science, University College London, London, UK ； Guy’s Cancer Centre, Guy’s ； Radiology Department, Hospital de la Santa Creu i Sant Pau, Sant Quintí, Barcelona, Spain ； Department of Medicine, University of Iceland, Iceland ； NIHR Manchester Biomedical Research Centre, Manchester Academic Health Science Centre, Central Manchester University Hospitals, NHS Foundation Trust, Manchester, UK ； Data Sciences, School of Health Sciences, University of Manchester, Manchester, UK ； UCL Hawkes Institute, University College London, London, UK ； Lungs for Living, Department of Respiratory Medicine, University College London, London, UK 纠错

专题命中 诊断辅助 ：CT(abstract)；分类 cs.CV、q-bio、eess.IV

AI总结 研究探讨了肺癌筛查队列中进展性PPFE与死亡率的关系，采用纵向低剂量CT扫描和临床数据，发现PPFE进展独立增加死亡风险，并与不良临床结局相关。

Comparative Analysis of Deep Learning Architectures for Multi-Disease Classification of Single-Label Chest X-rays

深度学习架构在单标签胸部X光片多疾病分类中的比较分析

Ali M. Bahram, Saman Muhammad Omer, Hardi M. Mohammed

机构 * Department of Computer Science, College of Science, Charmo University（查莫大学计算机科学系，科学学院） ； Department of Software Engineering, University of Raparin（拉帕林大学软件工程系） 纠错

专题命中 诊断辅助 ：diagnosis(abstract)；分类 cs.CV、eess.IV

AI总结 本文比较了七种深度学习架构在单标签胸部X光片多疾病分类中的性能，发现ConvNeXt-Tiny在准确率和AUROC上表现最佳，MobileNetV2在参数效率上最优，且在 Tuberculosis 和 COVID-19 分类上表现接近完美。

Comments 19 pages, 9 figures, 12 tables. Published in Charmo Journal of Natural Sciences and Technologies (CJNST), 2026

Journal ref Charmo Journal of Natural Sciences and Technologies (CJNST), Vol. 2, Issue 1, pp. 10-28, 2026

Capability-Guided Compression: Toward Interpretability-Aware Budget Allocation for Large Language Models

基于能力的压缩：迈向大语言模型中可解释性感知的预算分配

Rishaank Gupta

机构 * Independent Researcher（独立研究者） 纠错

专题命中 诊断辅助 ：diagnosis(abstract)；分类 cs.LG

AI总结 本文提出基于能力的压缩方法，通过能力密度图分配不同压缩预算，解决传统压缩方法中缺乏对模型组件功能编码表示的问题，证明高能力密度组件具有更低的结构冗余和更早达到相变点。

GNNVerifier: Graph-based Verifier for LLM Task Planning

GNNVerifier：基于图的LLM任务规划验证器

Yu Hao, Qiuyu Wang, Cheng Yang, Yawen Li, Zhiqiang Zhang, Chuan Shi

机构 * Beijing University of Posts and Telecommunications（北京邮电大学） 纠错

专题命中 诊断辅助 ：diagnosis(abstract)；分类 cs.LG

AI总结 本文提出基于图的验证器，通过构建任务计划的图结构，利用图神经网络评估计划的合理性，从而纠正LLM生成的计划中的错误。

Comments 17pages,12figures

VIGIL: Towards Edge-Extended Agentic AI for Enterprise IT Support

VIGIL：迈向企业IT支持的边缘扩展代理AI

Sarthak Ahuja, Neda Kordjazi, Evren Yortucboylu, Vishaal Kapoor, Mariam Dundua, Yiming Li, Derek Ho, Vaibhavi Padala, Jennifer Whitted, Rebecca Steinert

机构 * Amazon Engine, AI Center of Excellence（亚马逊引擎，人工智能卓越中心） 纠错

专题命中 诊断辅助 ：diagnosis(abstract)

AI总结 VIGIL通过在用户设备上部署桌面驻留代理，实现本地诊断、企业知识检索和政策驱动的修复，减少交互轮次，提升诊断速度，支持82%的自助解决，用户反馈显示透明度对信任至关重要。

PathGLS: Evaluating Pathology Vision-Language Models without Ground Truth through Multi-Dimensional Consistency

PathGLS: 通过多维一致性评估病理视觉-语言模型无需真实数据

Minbing Chen, Zhu Meng, Fei Su

机构 * Beijing University of Posts and Telecommunications（北京邮电大学） 纠错

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

AI总结 本文提出PathGLS，一种无需真实数据的病理VLM评估框架，从 grounding、logic 和 stability 三个维度评估模型性能，通过实验验证其在多个数据集上的优越性，显著优于其他方法。

Domain Adaptation Without the Compute Burden for Efficient Whole Slide Image Analysis

领域适应无需计算负担的高效全滑动图像分析

Umar Marikkar, Muhammad Awais, Sara Atito

机构 * Institute for People-Centered AI, University of Surrey（以人为本的人工智能研究所，萨里大学） ； Centre of Vision, Speech and Signal Processing, University of Surrey（视觉、语音和信号处理中心，萨里大学） 纠错

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

AI总结 本文提出EfficientWSI方法，结合参数高效微调和多实例学习，解决全滑动图像分析中的计算负担和领域特定特性捕捉问题，通过实验验证其在多个任务中的有效性。

CARE: A Molecular-Guided Foundation Model with Adaptive Region Modeling for Whole Slide Image Analysis

CARE：一种具有自适应区域建模的分子引导基础模型用于全切片图像分析

Di Zhang, Zhangpeng Gong, Xiaobo Pang, Jiashuai Liu, Junbo Lu, Hao Cui, Jiusong Ge, Zhi Zeng, Kai Yi, Yinghua Li, Si Liu, Tingsong Yu, Haoran Wang, Mireia Crispin-Ortuzar, Weimiao Yu, Chen Li, Zeyu Gao

机构 * Xi’an Jiaotong University（西安交通大学） ； University of Cambridge（剑桥大学） ； KingMed（康方生物） ； BGI Research（贝登基因研究院） ； A ⋆ STAR 纠错

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

AI总结 CARE通过自适应区域建模和分子引导，提升全切片图像分析的性能，实现对病理区域的精准识别与分类，优于现有基础模型。

Comments Accepted to CVPR 2026

A WDLoRA-Based Multimodal Generative Framework for Clinically Guided Corneal Confocal Microscopy Image Synthesis in Diabetic Neuropathy

基于WDLoRA的多模态生成框架用于临床指导的糖尿病性周围神经病变角膜共聚焦显微镜图像合成

Xin Zhang, Liangxiu Han, Tam Sobeih, Yue Shi, Yalin Zheng, Uazman Alam, Maryam Ferdousi, Rayaz Malik

机构 * Department of Computing and Mathematics, Manchester Metropolitan University（曼彻斯特 Metropolitan 大学计算与数学系） ； Department of Eye and Vision Sciences, University of Liverpool（利物浦大学眼科学与视觉科学系） ； Faculty of Biology, Medicine and Health, University of Manchester（曼彻斯特大学生物、医学与健康学院） ； Department of Medicine, Weill Cornell Medicine-Qatar（韦尔·柯尔曼医学中心-卡塔尔医学系） 纠错

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

AI总结 本文提出基于WDLoRA的多模态生成框架，用于生成糖尿病性周围神经病变的角膜共聚焦显微镜图像，通过结合神经分割掩膜和疾病特异性临床提示，提升图像合成的解剖学一致性与临床诊断准确性。

IOSVLM: A 3D Vision-Language Model for Unified Dental Diagnosis from Intraoral Scans

IOSVLM：一种用于从牙科内窥扫描进行统一牙科诊断的3D视觉-语言模型

Huimin Xiong, Zijie Meng, Tianxiang Hu, Chenyi Zhou, Yang Feng, Zuozhu Liu

机构 * ZJU-UIUC Institute, Zhejiang University, Haining, 314400, China（浙大浙ICU研究所，浙江大学，海宁，314400，中国） ； Stomatology Hospital, School of Stomatology, Zhejiang University School of Medicine, Hangzhou, 310058, China（口腔医院，口腔医学院，浙江大学医学院，杭州，310058，中国） ； Angelalign Research Institute, Angel Align Inc., Shanghai, 200011, China（天使对齐研究院，天使对齐公司，上海，200011，中国） 纠错

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

AI总结 本文提出IOSVLM，一种端到端的3D视觉-语言模型，利用点云表示内窥扫描，并结合大规模多源数据集，提升牙科诊断和生成式视觉问答的性能。