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。