科学与医疗
医学智能、临床 AI、医学影像、病理、诊断和医疗健康大模型。
跨模态知识蒸馏用于无PET的MRI淀粉样蛋白β检测
机构 * Dublin City University（都柏林城市大学） ； Insight Research Ireland Centre for Data Analytics（爱尔兰Insight研究数据分析师中心） ； St. Vincent’s University Hospital（圣文森医院） ； University College Dublin（都柏林大学）
专题命中 医学影像 ：MRI(title,title_cn)；diagnosis(abstract)；分类 cs.CV
AI总结 本文提出一种基于BiomedCLIP的跨模态知识蒸馏框架，利用MRI单独预测淀粉样蛋白β，无需PET或临床变量，实现了可解释的无PET检测方法。
Comments Accepted to CVPR Workshops 2026 (PHAROS-AIF-MIH)
表征几何形状任务性能在CT结肠镜视觉-语言建模中的作用
机构 * Gilbert S. Omenn Department of Computational Medicine and Bioinformatics（Gilbert S. Omenn 计算医学与生物信息学部门） ； Department of Gastroenterology（消化内科部门） ； Department of Emergency Medicine（急诊医学部门） ； Department of Electrical Engineering and Computer Science（电气工程与计算机科学部门）
专题命中 医学影像 ：CT(title,title_cn)；分类 cs.CV
AI总结 本文研究了CT结肠镜视觉-语言迁移学习，发现均值池化在疾病分类中表现更优，而注意力池化在跨模态检索中更有效，同时指出单片组织对比度比空间覆盖范围更重要，为构建体积医学影像视觉-语言系统提供了基础。
多模态MRI肝脏分割中的高效标注方法
机构 * Ho Chi Minh University of Science（胡志明科技大学） ； National Central University（国立中央大学） ； Carnegie Mellon University（卡内基梅隆大学） ； University of Houston（休斯顿大学） ； Northwestern University（西北大学）
专题命中 医学影像 ：MRI(title,title_cn)；分类 cs.CV
AI总结 本文提出一种高效标注的分割方法，通过基础模型适应和协同伪监督，实现多模态和多厂商MRI下的肝脏分割，克服标注数据稀缺和分布不均的问题。
Comments Accepted at MICCAI 2025 Workshop
DoseRAD2026挑战数据集：AI加速的光子和质子剂量计算用于放射治疗
机构 * Department of Radiation Oncology, LMU University Hospital, LMU Munich, Munich, Germany（路德维希-马克西米利安慕尼黑大学医学院放射肿瘤科，慕尼黑大学医院，慕尼黑，德国） ； Division of Medical Physics in Radiation Oncology, German Cancer Research Center (DKFZ), Heidelberg, Germany（放射肿瘤学中的医学物理部门，德国癌症研究中心（DKFZ），海德堡，德国） ； National Center for Radiation Research in Oncology (NCRO), Heidelberg Institute for Radiation Oncology (HIRO), Heidelberg, Germany（肿瘤放射研究国家中心（NCRO），海德堡放射肿瘤学研究所（HIRO），海德堡，德国） ； GSI Helmholtzzentrum für Schwerionenforschung, Biophysics Department, Darmstadt, Germany（重离子研究中心GSI，生物物理部门，达姆施塔特，德国） ； Department of Physics and Astronomy, Heidelberg University, Heidelberg, Germany（海德堡大学物理与天文学系，海德堡，德国） ； Institute of Biomedical Engineering, Karlsruhe Institute of Technology, Baden-Württemberg, Germany（生物医学工程研究所，卡尔斯鲁厄理工学院，巴登-符腾堡，德国） ； Department of Radiotherapy, University Medical Center Utrecht, Utrecht, Netherlands（放射治疗科，乌得勒支大学医学中心，乌得勒支，荷兰） ； Department of Radiation Oncology, Amsterdam UMC location Vrije Universiteit Amsterdam, Cancer Center Amsterdam, Cancer Treatment and Quality of Life, Amsterdam, Netherlands（放射肿瘤学系，阿姆斯特丹自由大学阿姆斯特丹校区，阿姆斯特丹癌症中心，癌症治疗与生活质量，阿姆斯特丹，荷兰） ； Center for Proton Therapy, Paul Scherrer Institute (PSI), Villigen, Switzerland（质子治疗中心，瑞士保罗·谢尔研究所（PSI），维利根，瑞士） ； Department of Radiation Oncology, University Hospital Heidelberg, Heidelberg, Germany（放射肿瘤学系，海德堡大学医院，海德堡，德国） ； Radiation Physics, Department of Hematology, Oncology, and Radiation Physics, Skåne University Hospital, Lund, Sweden（放射物理，血液学、肿瘤学和放射物理部门，斯德哥尔摩大学医院，吕勒奥，瑞典） ； Delft University of Technology, Department of Radiation Science and Technology, Delft, Netherlands（代尔夫特理工大学，辐射科学与技术系，代尔夫特，荷兰） ； Radformation Inc., New York, US（Radformation公司，纽约，美国）
专题命中 医学影像 ：MRI(summary_cn,abstract)；CT(summary_cn,abstract)；分类 cs.CV
AI总结 本研究提出DoseRAD2026数据集，用于评估AI在放射治疗中快速准确计算光子和质子剂量的方法，包含115名患者的CT和MRI配对数据及蒙特卡洛剂量分布。
风险校准学习：在医学AI中最小化致命错误
机构 * Department of Engineering（工程系） ； Universitat Pompeu Fabra（庞培乌法拉大学）
专题命中 医学影像 ：medical AI(title)；MRI(abstract,abstract_cn)；medical image(abstract)；分类 cs.CV
AI总结 本文提出风险校准学习方法，通过区分视觉模糊与结构性错误，提升医学AI的可靠性，实验表明其在多种影像模态中显著降低关键错误率。
Comments This work has been accepted for publication in the Proceedings of the 2026 International Joint Conference on Neural Networks (IJCNN 2026). The final published version should be cited
领域特定潜在表示提高基于扩散的医学图像超分辨率的保真度
机构 * Massachusetts Institute of Technology（麻省理工学院） ； Department of Biomedical Engineering, Mbarara University of Science and Technology（姆巴拉大学科学与技术学院生物医学工程系） ； Johns Hopkins University（约翰霍普金斯大学） ； University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校） ； Makerere University（Makerere大学） ； Federal University of São Paulo（圣保罗联邦大学） ； Technical University of Applied Sciences Lübeck (TH Lübeck)（吕贝克应用技术大学） ； Harvard T.H. Chan School of Public Health（哈佛大学T.H. Chan公共卫生学院）
专题命中 医学影像 ：medical image(title,abstract)；MRI(abstract,abstract_cn)；分类 cs.CV
AI总结 本文通过替换通用稳定扩散VAE为领域特定的MedVAE，显著提升了医学图像超分辨率的PSNR，验证了领域特定自动编码器对重建质量的关键影响。
基于LLM的Schema自适应表格表示学习用于通用多模态临床推理
机构 * Beijing University of Posts and Telecommunications（北京邮电大学） ； Boston University（波士顿大学） ； University of Southern California（南加州大学） ； GDIIST ； Renyixun Health Technology Co., Ltd.（仁心迅健康科技有限公司）
专题命中 医学影像 ：MRI(summary_cn,abstract)；diagnosis(abstract)；分类 cs.LG
AI总结 本文提出基于LLM的Schema自适应表格表示学习方法，通过将结构化变量转换为语义自然语言并编码，实现零样本跨schema对齐，结合表格和MRI数据在多模态 dementia 诊断中取得优于临床基准的性能。
Comments 11 pages, 4 figures
Journal ref ACL 2026, Main conference
关于水平类交换群的一个注记
专题命中 医学影像 ：CT(summary_cn,abstract)
AI总结 本文研究了水平类交换群CT_n的结构，证明当n>3时CT_(n)同构于对称群S_N，解决了Bardakov和Iskra提出的猜想。
Comments In this note, we solve a conjecture proposed by Bardakov and Iskra, which has been included in the kourovka notebook: Unsolved problems in group theory, Novosibirsk, 2026
DeferredSeg: 一种多专家延迟框架用于可信的医学图像分割
机构 * School of Software, Shandong University（山东大学软件学院） ； Department of Clinical Laboratory, Shandong Provincial Hospital Affiliated to Shandong First Medical University（山东第一医科大学附属山东省人民医院临床检验科） ； School of Computer Science and Technology, Nanjing University（南京大学计算机科学与技术学院）
专题命中 医学影像 ：medical image(title,abstract)；分类 cs.CV
AI总结 DeferredSeg通过引入延迟感知分割框架，在医学图像分割中实现人机协作，通过动态路由和损失函数提升分割可靠性，优于基线方法。
Comments 27 pages,6 figures
信息论优化用于任务适应的压缩感知磁共振成像
机构 * Department of Computer Science and Engineering, Shanghai Jiao Tong University（上海交通大学计算机科学与工程系） ； Department of Electronic Engineering, Shanghai Jiao Tong University（上海交通大学电子工程系） ； Department of Computer Science, City University of Hong Kong（香港城市大学计算机科学系） ； College of Information Science and Electronic Engineering, Zhejiang University（浙江大学信息科学与电子工程学院）
专题命中 医学影像 ：MRI(abstract,abstract_cn)；diagnosis(abstract)；分类 cs.CV、cs.LG
AI总结 本文提出基于信息论的任务适应压缩感知磁共振成像方法，通过最大化未采样k空间测量与临床任务间的互信息，实现不确定性预测和适应任意采样比率的灵活控制。
Comments 68 pages, 15 figures, accepted by IEEE TPAMI
隐式神经表示用于标准白质模型的准确估计
机构 * Department of Computer Science and Mathematics, Eindhoven University of Technology（埃因霍温理工大学计算机科学与数学系） ； Center for Image Sciences, University Medical Center Utrecht（乌得勒支大学医学中心图像科学中心） ； Cardiff University Brain Research Imaging Centre (CUBRIC), School of Physics and Astronomy, Cardiff University（卡迪夫大学脑研究成像中心（CUBRIC），物理与天文学学院，卡迪夫大学）
专题命中 医学影像 ：MRI(abstract,abstract_cn)；分类 cs.LG、eess.IV
AI总结 本文提出基于隐式神经表示的框架，用于准确估计白质标准模型参数，尤其在低信噪比条件下表现优异，具有自监督、快速推理和高鲁棒性等优势。
EOM-fpCCSD：一种用于双重激发态和电荷转移态的准确替代方法
专题命中 医学影像 ：CT(abstract,abstract_cn)
AI总结 本文提出EOM-fpCCSD方法，结合pCCD参考与动态相关修正，准确描述激发态，优于EOM-CCSD和EOM-ptCCSD，尤其在双重激发态表现突出。
Comments 5 figures
在深度学习心脏超声分割模型训练中检测和修复真实标签错误
机构 * School of Biomedical Engineering and Imaging Sciences（生物医学工程与影像科学学院） ； King's College London（伦敦国王学院）
专题命中 医学影像 ：medical image(abstract)；分类 cs.CV；biomedical(comments)
AI总结 本文研究了深度学习在心脏超声分割中对真实标签错误的鲁棒性，提出基于梯度方差的错误检测与修复方法，实验显示该方法在高误差条件下提升了模型性能。
Comments 5 pages, 3 figures, 2 tables, International Symposium on Biomedical Imaging 2026
通过生成扩散模型表征高阶表示以解释人类解码神经反馈性能
机构 * Department of Cognitive Sciences, University of California Irvine（加州大学尔湾分校认知科学系） ； Department of Logic & Philosophy of Science, University of California Irvine（加州大学尔湾分校逻辑与科学哲学系） ； Center for the Neurobiology of Learning & Memory, University of California Irvine（加州大学尔湾分校学习与记忆神经生物学中心） ； Center for Theoretical Behavioral Sciences, University of California Irvine（加州大学尔湾分校理论行为科学中心） ； Department of Experimental Psychology, University College London（伦敦大学学院实验心理学系） ； Program in Brain, Mind, & Consciousness, Canadian Institute for Advanced Research（加拿大高级研究研究院大脑、心灵与意识项目）
专题命中 医学影像 ：MRI(abstract)；分类 cs.LG、q-bio
AI总结 本文通过生成扩散模型研究高阶表示，揭示人类神经反馈任务中不确定性估计对行为学习的影响，展示模型在捕捉人类表现方面的优越性。
Comments 25 pages, 7 figures
MedGS：用于多模态3D医学影像的高斯点散射
机构 * Jagiellonian University, Poland（雅盖隆大学，波兰） ； Warsaw University of Technology, Poland（华沙理工大学，波兰） ； IDEAS Research Institute, Poland（IDEAS研究所，波兰） ； Military Institute of Medicine, Poland（军事医学研究所，波兰）
专题命中 医学影像 ：diagnosis(abstract)；分类 cs.CV
AI总结 本文提出MedGS，一种利用内镜成像独特性质的3D重建框架，通过物理逼真重照明模型提升重建质量，实现更准确的临床应用。
一种用于乳腺X线摄影ROI良性恶性分类的混合架构
机构 * Dept. of Electronics and Communication Engineering（电子与通信工程系） ； Delhi Technological University（德里技术大学） ； Dept. of Information Technology（信息科技系） ； IGDTUW ； Dept. of Computer Science and Engineering（计算机科学与工程系）
专题命中 医学影像 ：diagnosis(abstract)；分类 cs.CV
AI总结 本文提出结合EfficientNetV2-M和Vision Mamba的混合架构，用于乳腺X线摄影ROI的良性恶性分类，实现高效全局上下文建模和局部特征提取，提升病变级别分类性能。
Comments 4 pages, 2 figures, 2 tables
GroupKAN: 通过分组样条建模高效实现Kolmogorov-Arnold网络
机构 * School of Robotics, Xi’an Jiaotong-Liverpool University（西安交通大学利物浦大学机器人学院） ； Department of Computer Science, University of Liverpool（利物浦大学计算机科学系） ； Faculty of Engineering and Technology, Sunway University（Sunway大学工程与技术学院） ； School of Internet of Things, Xi’an Jiaotong-Liverpool University（西安交通大学利物浦大学物联网学院）
专题命中 医学影像 ：medical image(abstract)；分类 cs.CV
AI总结 本文提出GroupKAN，通过分组样条建模减少参数冗余，提升医疗图像分割的效率与可解释性。
有限孔径聚焦束焦距精确调节的实验演示
专题命中 医学影像 ：biomedical(abstract)
AI总结 本文提出一种通过调节驱动频率实现高频率超声波聚焦焦距调节的方法，实验验证了焦距与驱动频率近似线性关系，为紧凑型高频超声设备提供了一种简单有效的解决方案。
寻找脑部疾病的生物标志物：超越队列比较
机构 * Science For Life Laboratory（生命科学实验室）
专题命中 临床大模型 ：diagnosis(abstract)；分类 cs.LG、q-bio
AI总结 本文提出通过多模态和纵向脑数据指导分组，以定义多维生物标志物，而非依赖单一数据类型的队列比较。
FMASH：通过高效融合症状与药材的多尺度关联来推进传统中医方剂推荐
机构 * Beijing University of Posts and Telecommunications（北京邮电大学） ； University of Science and Technology of China（中国科学技术大学） ； University of Chinese Academy of Sciences（中国科学院大学）
专题命中 临床大模型 ：diagnosis(abstract)；分类 cs.LG
AI总结 本文提出FMASH框架，通过融合症状与药材的多尺度关联，提升中医方剂推荐效果，实验表明其在两个数据集上均优于现有最佳模型。
基于LLM的谷歌集成测试故障自动诊断
机构 * GoogleUSA（美国谷歌）
专题命中 诊断辅助 ：diagnosis(title,abstract)
AI总结 本文提出Auto-Diagnose工具，利用LLM高效诊断集成测试故障，通过分析日志生成摘要并集成至代码审查系统，实验证明其高准确率和用户认可。
基于儿童自身免疫性疾病纵向肌酐轨迹的贝叶斯联合建模以预测单中心肾脏疾病风险
专题命中 诊断辅助 ：diagnosis(abstract)
AI总结 本研究探讨了纵向血清肌酐测量与儿童自身免疫性疾病患者不良肾脏结局风险的关系，通过联合建模框架分析重复生物标志物测量和时间到事件结局，发现肌酐轨迹与复合事件风险密切相关，治疗方案对风险有显著影响。
神职人员对AI在对话护理设计与使用中的反思
机构 * University of Copenhagen（哥本哈根大学） ； Aalborg University（奥尔堡大学）
专题命中 诊断辅助 ：diagnosis(abstract)
AI总结 研究探讨神职人员对AI对话系统在非临床场景中支持日常福祉的能力的认知与限制，揭示了倾听、连接、承载与渴望等主题对护理技术设计的启示。
Comments To appear at ACM CHI 2026. 15 pages, 2 figures, 3 tables
各向同性标准线性粘弹性介质动态弹性成像的唯一性
专题命中 诊断辅助 ：diagnosis(abstract)
AI总结 本文基于麦拉洪和尤恩的论证，证明了在各向同性扩展麦克斯韦模型和各向同性扩展标准线性固体模型中，通过单次测量可唯一确定感兴趣区域内的剪切波速。
韧性量化及其对运营韧性的支持
专题命中 诊断辅助 ：diagnosis(abstract)
AI总结 本文提出一种量化系统韧性的方法，通过降级空间表示获取无应用依赖的韧性指标，结合机器学习与熵基主动采样高效近似高维空间中的韧性容量，并通过重新配置步骤延长系统功能。
长远任务的幻觉？诊断代理系统何时及为何失效
机构 * University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； University of California, Berkeley（加州大学伯克利分校） ； Georgia Institute of Technology（佐治亚理工学院）
专题命中 诊断辅助 ：diagnosis(abstract)
AI总结 本文通过HORIZON基准测试分析LLM代理在长周期任务中的失效模式，提出轨迹驱动的评估方法，并通过人类标注验证其有效性，为构建更可靠的代理系统提供指导。
定位、引导与改进：大型语言模型中可操作机制可解释性的一项实用调查
机构 * The University of Hong Kong（香港大学） ； Fudan University（复旦大学） ； LMU Munich（慕尼黑大学） ； Tsinghua University（清华大学） ； Technische Universität Darmstadt（达姆施塔特技术大学） ； Technische Universität Berlin（柏林技术大学） ； Technische Universität Dresden（德累斯顿技术大学） ； The Chinese University of Hong Kong（香港中文大学） ； University of Pennsylvania（宾夕法尼亚大学） ； Nanjing University（南京大学） ； University of Manchester（曼彻斯特大学） ； Dartmouth College（达特茅斯学院） ； University of California Los Angeles（加州大学洛杉矶分校） ； University of Michigan（密歇根大学） ； Microsoft（微软） ； Tencent（腾讯）
专题命中 诊断辅助 ：diagnosis(abstract)
AI总结 本文提出一个实用调查，围绕'定位、引导与改进'流程，系统分类定位和引导方法，展示如何通过该框架提升模型对齐、能力和效率。
MorphDistill: 从病理基础模型中提取统一形态学知识以预测结直肠癌生存率
机构 * Department of Pathology, College of Medicine, The Ohio State University Wexner Medical Center（俄亥俄州立大学医学学院病理学系，韦克斯纳医学中心） ； Center for Artificial Intelligence Research, Wake Forest University School of Medicine（威克森林大学医学院人工智能研究中心）
专题命中 病理影像 ：pathology(title,abstract)；分类 cs.CV
AI总结 本文提出MorphDistill框架，通过多病理基础模型提取互补知识，构建紧凑的结直肠癌特异性编码器，提升生存预测性能。
胸腔肿瘤板的多智能体系统开发、评估与部署
机构 * Division of Oncology, Department of Medicine, Stanford University School of Medicine（斯坦福大学医学院肿瘤学部） ； Technology and Digital Solutions, Stanford Health Care（斯坦福健康医疗技术与数字解决方案部） ； Department of Biomedical Data Science, Stanford University School of Medicine（斯坦福大学医学院生物医学数据科学部） ； Nursing Informatics, Stanford Health Care（斯坦福健康护理信息学部） ； Department of Medicine, Stanford University School of Medicine（斯坦福大学医学院医学部） ； Microsoft AI, Redmond, WA（微软人工智能，西雅图） ； Stanford Cancer Institute, Palo Alto, CA（斯坦福癌症研究所）
专题命中 病理影像 ：pathology(abstract)；radiology(abstract)
AI总结 本文提出了一种多智能体系统，用于生成胸腔肿瘤病例摘要，以提高讨论效率和准确性，并验证了LLM在事实评分中的应用。
Comments 64 pages, 14 figures
OpenTME：一个基于AI的H&E肿瘤微环境谱开放数据集
机构 * Aignostics, Germany（德国Aignostics公司） ； Institute of Pathology, Charité – Universitätsmedizin Berlin, Germany（德国柏林Charité大学医学院病理研究所） ； Department of Laboratory Medicine and Pathology, Mayo Clinic, Rochester, MN, US（美国明尼苏达州罗切斯特梅奥诊所实验室医学与病理学部） ； Machine Learning Group, Technische Universität Berlin, Germany（德国柏林技术大学机器学习小组） ； BIFOLD – Berlin Institute for the Foundations of Learning and Data, Germany（德国柏林学习与数据基础研究所（BIFOLD）） ； Department of Artificial Intelligence, Korea University, Republic of Korea（韩国韩国大学人工智能系） ； Max-Planck Institute for Informatics, Germany（德国马克斯·普朗克信息研究所） ； German Cancer Research Center (DKFZ) & German Cancer Consortium (DKTK), Berlin & Munich Partner Sites, Germany（德国癌症研究中心（DKFZ）与德国癌症联盟（DKTK）柏林及慕尼黑合作伙伴站点） ； Institute of Pathology, Ludwig-Maximilians-Universität München, Germany（德国慕尼黑路德维希-马克西米利安大学病理研究所） ； Bavarian Cancer Research Center (BZKF), Germany（德国巴伐利亚癌症研究中心（BZKF））
专题命中 病理影像 ：pathology(abstract)；分类 cs.CV、cs.LG、q-bio
AI总结 OpenTME通过AI技术对TCGA中的5种癌症类型H&E染色图像进行预计算微环境分析，提供超过4500个细胞级定量读数，支持空间生物学研究和计算方法开发。
扫码添加微信好友，提出您的宝贵建议 👇
💡 备注请填写：网站反馈