医学 AI

Negation is Not Semantic: Diagnosing Dense Retrieval Failure Modes for Trade-offs in Contradiction-Aware Biomedical QA

否定并非语义：诊断密集检索失败模式以权衡矛盾意识生物医学问答

Soumya Ranjan Sahoo, Gagan N., Sanand Sasidharan, Divya Bharti

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

AI总结 本文研究了密集检索在矛盾意识生物医学问答中的失败模式，提出解耦词法架构和叙事感知重排序方法，提升矛盾检测和引用覆盖能力，实现高精度和可扩展性。

Open Biomedical Knowledge Graphs at Scale: Construction, Federation, and AI Agent Access with Samyama Graph Database

大规模开放生物医学知识图谱：基于Samyama图数据库的构建、联邦与AI代理访问

Madhulatha Mandarapu, Sandeep Kunkunuru

机构 * VaidhyaMegha Private Limited（维达希亚梅加私人有限公司） 纠错

专题命中 生物医学文本 ：biomedical(title,abstract)；分类 q-bio

AI总结 本文提出三种开源生物医学知识图谱，通过可重复的ETL模式构建大规模图谱，实现跨图谱联邦与AI代理访问，展示了高精度的领域特定工具。

Comments 12 pages, 7 tables, open-source code and data

Peakspan: Defining, Quantifying and Extending the Boundaries of Peak Productive Lifespan

Peakspan：定义、量化并扩展峰值生产力寿命的边界

Alex Zhavoronkov, Dominika Wilczok

专题命中 生物医学文本 ：biomedical(abstract)；分类 q-bio

AI总结 研究提出Peakspan概念，量化个体在特定生理或认知领域维持至少90%峰值功能性能的年龄区间，揭示大部分生物系统在青年时期达到最大容量，导致Peakspan短于总寿命，强调延长Peakspan对衰老社会经济持续增长的重要性。

CTG-DB: An Ontology-Based Transformation of ClinicalTrials.gov to Enable Cross-Trial Drug Safety Analyses

CTG-DB：基于本体的临床试验数据库转换以实现跨试验药物安全性分析

Jeffery L. Painter, François Haguinet, Andrew Bate

机构 * GSK（葛兰素史克） ； London School of Hygiene & Tropical Medicine（伦敦卫生与热带医学学院） 纠错

专题命中 生物医学文本 ：CT(abstract)

AI总结 CTG-DB通过标准化不良事件术语，实现临床试验数据库的转换，支持跨试验药物安全性分析和药物流行病学信号检测。

Comments 10 pages, 2 figures. Submitted to the 2026 AMIA Annual Symposium

Predicting Trajectories of Long COVID in Adult Women: The Critical Role of Causal Disentanglement

预测长期新冠轨迹：因果解缠的至关作用

Jing Wang, Jie Shen, Yiming Luo, Amar Sra, Qiaomin Xie, Jeremy C. Weiss

机构 * National Library of Medicine（国家医学图书馆） ； Stevens Institute of Technology（史蒂文斯理工学院） ； Columbia University（哥伦比亚大学） ； The George Washington University（乔治华盛顿大学） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校） 纠错

专题命中 健康监测 ：pathology(abstract)；分类 cs.LG

AI总结 本文通过整合临床数据与可穿戴设备数据，利用大语言模型构建因果网络，预测长期新冠严重程度，实现86.7%的预测精度，并区分病理活性与基线噪声。

3D MRI-Based Alzheimer's Disease Classification Using Multi-Modal 3D CNN with Leakage-Aware Subject-Level Evaluation

基于3D MRI的阿尔茨海默病分类：使用多模态3D CNN与泄漏感知的受试者级评估

Md Sifat, Sania Akter, Akif Islam, Md. Ekramul Hamid, Abu Saleh Musa Miah, Najmul Hassan, Md Abdur Rahim, Jungpil Shin

机构 * University of Rajshahi（拉贾斯坦大学） ； University of Aizu（御所大学） ； Pabna University of Science（帕布纳科学大学） 纠错

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

AI总结 本文提出一种多模态3D卷积神经网络，利用原始OASIS 1 MRI体积进行阿尔茨海默病分类，通过受试者级交叉验证实现72.34%的准确率和0.7781的ROC AUC，验证了体积分析在疾病分类中的有效性。

Comments 5 tables, 6 figures, Submitted to International Conference on Power, Electronics, Communications, Computing, and Intelligent Infrastructure 2026

LMOD+: A Comprehensive Multimodal Dataset and Benchmark for Developing and Evaluating Multimodal Large Language Models in Ophthalmology

LMOD+: 一个全面的多模态数据集和基准，用于开发和评估眼科中的多模态大语言模型

Zhenyue Qin, Yang Liu, Yu Yin, Jinyu Ding, Haoran Zhang, Anran Li, Dylan Campbell, Xuansheng Wu, Ke Zou, Tiarnan D. L. Keenan, Emily Y. Chew, Zhiyong Lu, Yih Chung Tham, Ninghao Liu, Xiuzhen Zhang, Qingyu Chen

机构 * School of Medicine, Yale University（耶鲁大学医学院） ； School of Computing, Australian National University（澳大利亚国立大学计算机学院） ； School of Engineering, Imperial College London（伦敦帝国理工学院工程学院） ； School of Computing, University of Georgia（佐治亚大学计算机学院） ； Yong Loo Lin School of Medicine, National University of Singapore（新加坡国立大学杨秀隆医学学院） ； National Eye Institute, National Institutes of Health（美国国立卫生研究院眼科研究所） ； National Library of Medicine, National Institutes of Health（美国国立卫生研究院国家医学图书馆） ； School of Computing Technologies, RMIT University（皇家墨尔本理工大学计算机技术学院） 纠错

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

AI总结 本文提出一个包含32633个实例的多模态眼科基准数据集，涵盖12种常见眼科疾病和5种成像模态，通过扩展数据集、扩展任务覆盖和系统评估24种最先进的MLLMs，推动眼科AI应用发展。

Comments ACM Transactions on Computing for Healthcare

I Know What I Don't Know: Latent Posterior Factor Models for Multi-Evidence Probabilistic Reasoning

我了解我所不知道的：用于多证据概率推理的潜在后验因子模型

Aliyu Agboola Alege

机构 * Epalea 纠错

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

AI总结 本文提出LPF模型，通过将变分自编码器的潜在后验转换为软似然因子，实现对无结构证据的可 tractable 概率推理，同时保持校准的不确定性估计。

Comments 202 pages, 52 figures, 105 tables. Comprehensive presentation of the Latent Posterior Factors (LPF) framework for multi-evidence probabilistic reasoning, including theoretical analysis, algorithmic design, and extensive empirical evaluation across synthetic and real-world benchmarks