医学 AI

DCG-Net: Dual Cross-Attention with Concept-Value Graph Reasoning for Interpretable Medical Diagnosis

DCG-Net：双交叉注意力与概念-值图推理用于可解释的医学诊断

Getamesay Dagnaw, Xuefei Yin, Muhammad Hassan Maqsood, Yanming Zhu, Alan Wee-Chung Liew

机构 * School of Information and Communication Technology（信息与通信技术学院） 纠错

专题命中 诊断辅助 ：diagnosis(title,abstract)；medical image(abstract)；分类 cs.CV

AI总结 DCG-Net通过双交叉注意力和概念-值图推理，提升医学诊断的可解释性，实现白血球形态和皮肤病变诊断的高精度分类。

Journal ref ICME 2026

IF-CPS: Influence Functions for Cyber-Physical Systems -- A Unified Framework for Diagnosis, Curation, and Safety Attribution

IF-CPS：用于物理系统的影响函数——诊断、校准和安全归因的统一框架

Jiachen Li, Shihao Li, Soovadeep Bakshi, Jiamin Xu, Dongmei Chen

专题命中 诊断辅助 ：diagnosis(title,abstract)

AI总结 本文提出IF-CPS框架，通过三种适应 CPS 特性的变体，解决控制器故障溯源问题，在诊断、校准和安全归因任务中提升了性能。

Do LLMs Understand Collaborative Signals? Diagnosis and Repair

大语言模型理解协作信号吗？诊断与修复

Shahrooz Pouryousef, Ali Montazeralghaem

机构 * Google（谷歌） 纠错

专题命中 诊断辅助 ：diagnosis(title)；分类 cs.LG

AI总结 本文研究大语言模型在推荐任务中处理协作信息的能力，通过检索增强生成方法提升其推理性能，实验表明在提供清晰信息时LLM优于传统矩阵分解模型。

A Novel TSK Fuzzy System Incorporating Multi-view Collaborative Transfer Learning for Personalized Epileptic EEG Detection

一种融合多视图协同迁移学习的新型TSK模糊系统用于个性化癫痫EEG检测

Andong Li, Zhaohong Deng, Qiongdan Lou

机构 * School of Artificial Intelligence and Computer Science, Jiangnan University and Engineering Research Center of Intelligent Technology for Healthcare, Ministry of Education（江南大学人工智能与计算机科学学院，智能医疗技术工程研究中心，教育部） ； School of Computer and Information Engineering, Institute for Artificial Intelligence, Shanghai Polytechnic University（上海理工大学计算机与信息工程学院，人工智能研究院） ； School of Internet of Things Engineering, Wuxi University（无锡大学物联网工程学院） 纠错

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

AI总结 本文提出一种融合多视图协同迁移学习的TSK模糊系统，用于解决个性化癫痫EEG检测中的特征提取、数据不足和分布不一致问题，通过多视图学习和迁移学习提升检测性能。

Comments Publication in Neurocomputing

MSADM: Large Language Model (LLM) Assisted End-to-End Network Health Management Based on Multi-Scale Semanticization

MSADM：基于多尺度语义化的大型语言模型（LLM）辅助端到端网络健康管理系统

Fengxiao Tang, Xiaonan Wang, Xun Yuan, Linfeng Luo, Ming Zhao, Tianchi Huang, Nei Kato

专题命中 诊断辅助 ：diagnosis(abstract)；分类 eess.SP

AI总结 本文提出基于多尺度语义化的LLM辅助端到端网络健康管理系统，通过多尺度数据缩放、语义规则树与注意力机制结合的异常检测模型，以及链式推理的大规模语言模型，提升异构网络的故障诊断性能。

NeSy-Edge: Neuro-Symbolic Trustworthy Self-Healing in the Computing Continuum

NeSy-Edge：神经符号可信自愈在计算连续体中的应用

Peihan Ye, Alfreds Lapkovskis, Alaa Saleh, Qiyang Zhang, Praveen Kumar Donta

机构 * Department of Computer Systems and Sciences（计算机系统与科学系） ； University of Oulu（奥卢大学） ； Peking University（北京大学） 纠错

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

AI总结 本文提出NeSy-Edge框架，通过边缘优先设计，在资源受限的边缘节点进行本地感知与推理，结合云模型进行最终诊断，实现计算连续体中的可信自愈。

Interpretable Cross-Domain Few-Shot Learning with Rectified Target-Domain Local Alignment

可解释的跨领域少样本学习与修正的目标域局部对齐

Yaze Zhao, Yixiong Zou, Yuhua Li, Ruixuan Li

机构 * School of Computer Science and Technology, Huazhong University of Science and Technology（华中科技大学计算机科学与技术学院） 纠错

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

AI总结 本文提出CC-CDFSL方法，通过循环一致性解决CLIP-based CDFSL中的局部对齐问题，提升局部视觉语言对齐和可解释性，实现SOTA性能。

Comments Accepted to CVPR 2026

BAAF: Universal Transformation of One-Class Classifiers for Unsupervised Image Anomaly Detection

BAAF: 一类分类器的通用转换用于无监督图像异常检测

Declan McIntosh, Alexandra Branzan Albu

机构 * University of Victoria（维多利亚大学） 纠错

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

AI总结 本文提出BAAF方法，通过改进的Bootstrap聚合技术将任意一类分类器基的异常检测器转换为完全无监督方法，首次实现了图像无监督逻辑异常检测，并在多个数据集上取得最佳性能。

Comments 6 figures, 14 pages main paper, 25 pages total with supplemental

Subject Information Extraction for Novelty Detection with Domain Shifts

面向域偏移的新型别检测主题信息提取

Yangyang Qu, Dazhi Fu, Jicong Fan

机构 * School of Data Science The Chinese University of Hong Kong, Shenzhen, China（数据科学学院 香港中文大学（深圳）） 纠错

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

AI总结 本文提出一种方法，通过分离主题信息与背景变化，提升域偏移下的检测性能，实验表明模型在未见领域表现优异。

Guideline-grounded retrieval-augmented generation for ophthalmic clinical decision support

基于指南的检索增强生成用于眼科临床决策支持

Shuying Chen, Sen Cui, Zhong Cao

机构 * University of International Business and Economics（国际商务经济大学） ； Tsinghua University（清华大学） ； Heidelberg Institute of Global Health（海德堡全球健康研究院） 纠错

专题命中 诊断辅助 ：clinical AI(abstract)

AI总结 本文提出Oph-Guid-RAG系统，通过多模态视觉RAG方法提升眼科临床问答与决策支持，通过可控检索框架和多模态推理提升证据基础和鲁棒性。

Efficient Failure Management for Multi-Agent Systems with Reasoning Trace Representation

多代理系统中基于推理轨迹表示的高效故障管理

Lingzhe Zhang, Tong Jia, Mingyu Wang, Weijie Hong, Chiming Duan, Minghua He, Rongqian Wang, Xi Peng, Meiling Wang, Gong Zhang, Renhai Chen, Ying Li

机构 * Peking University（北京大学） ； Huawei Technologies Co., Ltd.（华为技术有限公司） 纠错

专题命中 诊断辅助 ：diagnosis(abstract)

AI总结 本文提出EAGER框架，通过无监督对比学习编码代理内部推理和协调，实现实时故障检测与缓解，提升多代理系统可靠性。

Comments Accepted by FSE'26-IVR

Patho-AgenticRAG: Towards Multimodal Agentic Retrieval-Augmented Generation for Pathology VLMs via Reinforcement Learning

病理代理RAG：通过强化学习实现多模态代理检索增强生成用于病理学视觉语言模型

Wenchuan Zhang, Jingru Guo, Hengzhe Zhang, Penghao Zhang, Jie Chen, Shuwan Zhang, Zhang Zhang, Yuhao Yi, Hong Bu

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

AI总结 本文提出Patho-AgenticRAG，通过强化学习实现多模态代理检索增强生成，解决病理学视觉语言模型在高分辨率、复杂组织结构和临床语义上的挑战，提升诊断准确性。

Journal ref Proceedings of the AAAI Conference on Artificial Intelligence, 40(35): 29921-29929, 2026

Multi-Stage Fine-Tuning of Pathology Foundation Models with Head-Diverse Ensembling for White Blood Cell Classification

多阶段微调病理基础模型与头多样集成用于白血细胞分类

Antony Gitau, Martin Paulson, Bjørn-Jostein Singstad, Karl Thomas Hjelmervik, Ola Marius Lysaker, Veralia Gabriela Sanchez

机构 * University of South-Eastern Norway（东南挪威大学） ； Vestfold Hospital Trust（维斯特福尔医院信托） 纠错

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

AI总结 本文提出多阶段微调方法，结合头多样集成，提升白血细胞分类性能，针对不同成熟阶段的粒细胞优化不同分类头，提高分类精度。

Comments Accepted to ISBI 2026

Enhancing Brain Tumor Classification Using Vision Transformers with Colormap-Based Feature Representation on BRISC2025 Dataset

利用基于色谱的特征表示增强脑肿瘤分类的视觉变换器

Faisal Ahmed

机构 * Department of Data Science and Mathematics, Embry-Riddle Aeronautical University（数据科学与数学系，艾姆伯-理德航空大学） 纠错

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

AI总结 本文提出基于视觉变换器的深度学习框架，结合色谱特征表示提升多类脑肿瘤分类性能，实验表明该方法在BRISC2025数据集上达到98.90%的准确率，优于ResNet50、ResNet101和EfficientNetB2等基线模型。

Comments 11 pages, 3 figures

Prompt-Free Lightweight SAM Adaptation for Histopathology Nuclei Segmentation with Strong Cross-Dataset Generalization

无需提示的轻量级SAM适应用于病理学核分割的强跨数据集泛化

Muhammad Hassan Maqsood, Yanming Zhu, Alfred Lam, Getamesay Dagnaw, Xuefei Yin, Alan Wee-Chung Liew

机构 * School of Information and Communication Technology, Griffith University, QLD, Australia（信息与通信技术学院，格里菲斯大学，昆士兰，澳大利亚） ； School of MDP -- Clinical Medicine, Griffith University, QLD, Australia（MDP临床医学学院，格里菲斯大学，昆士兰，澳大利亚） 纠错

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

AI总结 本文提出一种无需提示的轻量级SAM适应方法，通过多级编码器特征和残差解码实现高效准确的核分割，实验表明其在三个基准数据集上表现优异，具有强跨数据集泛化能力。

Journal ref IEEE International Symposium on Biomedical Imaging (Oral) 2026

GOLDMARK: Governed Outcome-Linked Diagnostic Model Assessment Reference Kit

GOLDMARK：受控的成果关联诊断模型评估参考套件

Chad Vanderbilt, Gabriele Campanella, Siddharth Singi, Swaraj Nanda, Jie-Fu Chen, Ali Kamali, Amir Momeni Boroujeni, David Kim, Mohamed Yakoub, Jamal Benhamida, Meera Hameed, Neeraj Kumar, Gregory Goldgof

机构 * Department of Pathology and Laboratory Medicine, Memorial Sloan Kettering Cancer Center（病理学与实验室医学部，纪念斯隆凯特琳癌症中心） ； Hasso Plattner Institute for Digital Health at Mount Sinai, Icahn School of Medicine at Mount Sinai（西蒙山医学院的数字健康研究所，西蒙山医学院） 纠错

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

AI总结 GOLDMARK通过标准化框架和临床可操作的生物标记物标签，为计算病理学提供可重复的基准测试和方法比较，提升模型在不同数据集和模型间的可比性。

Mixture of Mini Experts: Overcoming the Linear Layer Bottleneck in Multiple Instance Learning

混合小专家：克服多实例学习中的线性层瓶颈

Daniel Shao, Joel Runevic, Richard J. Chen, Drew F. K. Williamson, Ahrong Kim, Andrew H. Song, Faisal Mahmood

机构 * Massachusetts Institute of Technology（麻省理工学院） ； Harvard University（哈佛大学） ； Emory University（埃默里大学） ； MD Anderson Cancer Center（MD安德森癌症中心） 纠错

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

AI总结 本文提出MAMMOTH模块，通过低秩变换提升多实例学习中任务特定特征提取，实验显示其在130种配置中提升性能，平均提升3.8%。

Comments Published in ICLR 2026 (37 pages, 16 figures)

Parameter-efficient Prompt Tuning and Hierarchical Textual Guidance for Few-shot Whole Slide Image Classification

高效参数提示调优与层次文本引导在少样本整张滑片图像分类中的应用

Jayanie Bogahawatte, Sachith Seneviratne, Saman Halgamuge

机构 * AI, Optimization and Pattern Recognition Research Group（人工智能、优化与模式识别研究组） ； Dept. of Mechanical Eng., University of Melbourne, Australia（墨尔本大学机械工程系，澳大利亚） 纠错

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

AI总结 本文提出高效参数提示调优和层次文本引导方法，以解决少样本整张滑片图像分类中的计算成本和信息损失问题，实验显示在乳腺、肺癌和卵巢癌数据集上均取得显著提升。

Comments Accepted for publication at CVPR 2026 Workshop on Medical Reasoning with Vision Language Foundation Models (Med-Reasoner)

Jigsaw Regularization in Whole-Slide Image Classification

整张滑片图像分类中的Jigsaw正则化

So Won Jeong, Veronika Ročková

机构 * Booth School of Business, The University of Chicago, IL, USA（芝加哥大学商学院） 纠错

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

AI总结 本文提出一种基于图神经网络和Jigsaw正则化的新型方法，通过引入视觉基础模型嵌入和跨块空间意识，提升多实例学习在乳腺癌、头颈癌和结肠癌等基准数据集上的分类性能。

Efficient AI-Driven Multi-Section Whole Slide Image Analysis for Biochemical Recurrence Prediction in Prostate Cancer

高效的人工智能驱动多切片整张滑动图像分析用于前列腺癌生物化学复发预测

Yesung Cho, Dongmyung Shin, Sujeong Hong, Jooyeon Lee, Seongmin Park, Geongyu Lee, Jongbae Park, Hong Koo Ha

机构 * Pusan National University（釜山国立大学） ； Kyunghee University（庆熙大学） ； OmixAI Co. Ltd.（OmixAI公司） ； Oncocross Co. Ltd.（Oncocross公司） 纠错

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

AI总结 本文提出一种高效的人工智能框架，通过多切片病理切片同时处理，全面分析前列腺癌肿瘤景观，提升生物化学复发预测的准确性，优于传统临床指标。

Microscopy image reconstruction with physics-informed denoising diffusion probabilistic model

利用物理信息的去噪扩散概率模型进行显微图像重建

Rui Li, Gabriel della Maggiora, Vardan Andriasyan, Anthony Petkidis, Artsemi Yushkevich, Mikhail Kudryashev, Artur Yakimovich

专题命中 病理影像 ：biomedical(abstract)；分类 q-bio

AI总结 本文提出将显微成像物理问题融入模型损失函数，通过合成数据训练，改进DDPM以减少伪影，提升显微图像重建质量。

Comments 16 pages, 5 figures

Journal ref Communications Engineering 3, no. 1 (2024): 186

Patho-R1: A Multimodal Reinforcement Learning-Based Pathology Expert Reasoner

Patho-R1: 基于多模态强化学习的病理专家推理器

Wenchuan Zhang, Penghao Zhang, Jingru Guo, Tao Cheng, Jie Chen, Shuwan Zhang, Zhang Zhang, Yuhao Yi, Hong Bu

机构 * Department of Pathology, West China Hospital, Sichuan University（四川大学华西医院病理科部门） ； Institute of Clinical Pathology, West China Hospital, Sichuan University（四川大学华西医院临床病理科研究所） ； University of Toronto（多伦多大学） ； Business School, Sichuan University（四川大学商学院） ； Department of Pathology, Shengjing Hospital of China Medical University（中国医科大学盛京医院病理科部门） 纠错

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

AI总结 本文提出Patho-R1，通过构建高质量推理导向数据集，结合三阶段训练流程提升病理推理能力，实现跨模态任务的鲁棒性能。

Journal ref Proceedings of the AAAI Conference on Artificial Intelligence, 40(33): 28418-28426, 2026

SkinCLIP-VL: Consistency-Aware Vision-Language Learning for Multimodal Skin Cancer Diagnosis

SkinCLIP-VL: 一种面向多模态皮肤癌诊断的一致性感知视觉-语言学习框架

Zhixiang Lu, Shijie Xu, Kaicheng Yan, Xuyue Cai, Chong Zhang, Yulong Li, Angelos Stefanidis, Anh Nguyen, Jionglong Su

机构 * Xi’an Jiaotong-Liverpool University（西安交通大学利物浦大学） ； University of Liverpool（利物浦大学） 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SkinCLIP-VL，通过冻结感知与自适应推理范式，结合CLIP编码器与轻量量化Qwen2.5-VL，引入一致性聚焦对齐损失，实现高效皮肤癌诊断，优于13B参数基线模型，参数更少且临床信任度更高。

Comments Accepted by 2026 IEEE International Conference on Multimedia and Expo (ICME 2026)

MARCUS: An agentic, multimodal vision-language model for cardiac diagnosis and management

MARCUS：一种用于心脏诊断和管理的代理式多模态视觉-语言模型

Jack W O'Sullivan, Mohammad Asadi, Lennart Elbe, Akshay Chaudhari, Tahoura Nedaee, Francois Haddad, Michael Salerno, Li Fe-Fei, Ehsan Adeli, Rima Arnaout, Euan A Ashley

机构 * Division of Cardiology, Department of Medicine, Stanford University（斯坦福大学心脏病学系） ； Department of Biomedical Data Science, Stanford University（斯坦福大学生物医学数据科学系） ； Department of Medicine, Radiology, and Pediatrics, UCSF（旧金山大学医学系、放射学与儿科学系） ； Bakar Institute, UCSF（Bakar研究所，旧金山大学） ； UCSF–UC Berkeley Joint Program in Computational Precision Health（旧金山大学-伯克利计算精准健康联合计划） ； Department of Radiology, Stanford University（斯坦福大学放射学系） ； Department of Psychiatry and Behavioral Sciences, Stanford University（斯坦福大学精神病学与行为科学系） ； Department of Computer Science, Stanford University（斯坦福大学计算机科学系） ； Department of Electrical Engineering, Stanford University（斯坦福大学电气工程系） ； Department of Biology, Stanford University（斯坦福大学生物学系） 纠错

专题命中 医疗多模态 ：diagnosis(title)

AI总结 MARCUS通过多模态视觉-语言模型实现心电图、超声和心脏磁共振成像的端到端解读，其多代理架构在心脏诊断中表现出优于前沿模型的准确率和自由文本质量。

PPGL-Swarm: Integrated Multimodal Risk Stratification and Hereditary Syndrome Detection in Pheochromocytoma and Paraganglioma

PPGL-Swarm：集成多模态风险分层与遗传综合征检测的pheochromocytoma和paraganglioma诊断系统

Zelin Liu, Xiangfu Yu, Jie Huang, Ge Wang, Yizhe Yuan, Zhenyu Yi, Jing Xie, Haotian Jiang, Lichi Zhang

机构 * Shanghai Jiao Tong University（上海交通大学） ； The Chinese University of Hong Kong（香港中文大学） ； Ruijin Hospital（瑞金医院） ； ShanghaiTech University（上海科技大学） 纠错

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

AI总结 本文提出PPGL-Swarm系统，通过多模态证据整合实现全面诊断报告，包括自动化GAPP评分、基因风险警报及可追溯的推理路径，解决传统诊断方法的局限性。

Unleashing Video Language Models for Fine-grained HRCT Report Generation

释放视频语言模型以生成细粒度HRCT报告

Yingying Fang, Huichi Zhou, KinHei Lee, Yijia Wang, Zhenxuan Zhang, Jiahao Huang, Guang Yang

机构 * Bioengineering Department, Imperial College London, London, UK School of Biomedical Engineering \& lmaging Sciences, King's College London, London,UK 纠错

专题命中 医疗多模态 ：CT(abstract)；分类 cs.CV

AI总结 本文提出AbSteering框架，通过异常中心方案和直接偏好优化目标，提升视频语言模型在HRCT报告生成中的精度与细粒度区分能力，优于现有领域特定CT基础模型。

RadHiera: Semantic Hierarchical Reinforcement Learning for Medical Report Generation

RadHiera：面向医学报告生成的语义分层强化学习

Bodong Du, Honglong Yang, Xiaomeng Li

机构 * The Hong Kong University of Science（香港科技大学） 纠错

专题命中 医疗多模态 ：radiology(abstract)

AI总结 本文提出RadHiera框架，通过分层强化学习提升医学报告生成的语义一致性与诊断准确性，实验表明其在胸部X光和超声报告生成中表现优异。

Integrative Predictor-Dependent Learning of Network Data and Spatially Correlated Nodal Attributes for Multimodal Brain Imaging in Aging

整合预测依赖学习网络数据与空间相关节点属性以研究衰老的多模态脑成像

Jose Rodriguez-Acosta, Sharmistha Guha, Jessica Bernard, Thamires Magalhaes, Kaitlin McOwen

专题命中 医疗多模态 ：MRI(abstract)

AI总结 本文提出一个预测依赖的联合建模框架，用于多受试者共享节点的网络数据，结合空间坐标和空间相关节点属性，通过整合结构性和功能性信息，研究脑连接模式与衰老相关预测变量的关系。

Comments 38 pages

RoboFAC: A Comprehensive Framework for Robotic Failure Analysis and Correction

RoboFAC：机器人故障分析与纠正的综合框架

Zewei Ye, Weifeng Lu, Minghao Ye, Tao Lin, Shuo Yang, Junchi Yan, Bo Zhao

机构 * School of AI, Shanghai Jiao Tong University（上海交通大学人工智能学院） ； Harbin Institute of Technology, Shenzhen（哈尔滨工业大学（深圳）） 纠错

专题命中 医疗多模态 ：diagnosis(abstract)

AI总结 RoboFAC通过构建大规模故障中心数据集，开发轻量级多模态模型，提升机器人故障诊断与纠正能力，实验显示其故障分析准确率比GPT-4o高34.1%。

Parsimonious Subset Selection for Generalized Linear Models with Biomedical Applications

通用线性模型中用于生物医学应用的简洁子集选择

Anant Mathur, Benoit Liquet, Samuel Muller, Sarat Moka

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

AI总结 本文提出了一种高效的子集选择方法COMBSS-GLM，用于高维生物医学研究，通过连续布尔松弛和Frank-Wolfe算法实现稀疏且可解释的模型，同时在生物医学应用中表现出色。