医学 AI

Cyclic 2.5D Perceptual Loss for Cross-Modal 3D Medical Image Synthesis: T1w MRI to Tau PET

循环2.5D感知损失用于跨模态3D医学图像合成：T1加权MRI到tau PET

Junho Moon, Symac Kim, Haejun Chung, Ikbeom Jang

机构 * Department of Artificial Intelligence, Hanyang University, Seoul, South Korea（人工智能系，翰阳大学，首尔，韩国） ； Department of Electronic Engineering, Hanyang University, Seoul, South Korea（电子工程系，翰阳大学，首尔，韩国） ； Division of Computer Engineering, Hankuk University of Foreign Studies, Yongin, South Korea（计算机工程系，韩国外语大学， Yongin，韩国） ； Division of AI Data Convergence, Hankuk University of Foreign Studies, Yongin, South Korea（AI数据融合系，韩国外语大学， Yongin，韩国） ； Division of Language & AI, Hankuk University of Foreign Studies, Seoul, South Korea（语言与AI系，韩国外语大学，首尔，韩国） 纠错

专题命中 医学影像 ：MRI(title,title_cn)；medical image(title)；pathology(abstract)；diagnosis(abstract)

AI总结 本文提出循环2.5D感知损失用于从T1加权MRI生成tau PET，通过交替优化不同切面提升体积一致性，并标准化SUVR以提高准确性。

Comments Published in Human Brain Mapping, available at https://doi.org/10.1002/hbm.70508

CLIP Architecture for Abdominal CT Image-Text Alignment and Zero-Shot Learning: Investigating Batch Composition and Data Scaling

CLIP架构用于腹部CT图像-文本对齐和零样本学习：研究批量组成和数据缩放

Shivika, Kartik Bose, Pankaj Gupta

机构 * Department of Radiodiagnosis（放射诊断部门） 纠错

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

AI总结 本文研究了CLIP架构在腹部CT图像-文本对齐和零样本学习中的效果，探讨了训练批量组成和数据缩放的影响，发现随机采样和交替批次比人工类平衡更有效。

A Hybrid CNN and ML Framework for Multi-modal Classification of Movement Disorders Using MRI and Brain Structural Features

一种结合CNN和ML的混合框架用于利用MRI和脑结构性质进行运动障碍多模态分类

Mengyu Li, Ingibjörg Kristjánsdóttir, Thilo van Eimeren, Kathrin Giehl, Lotta M. Ellingsen, the ASAP Neuroimaging Initiative

机构 * University of Iceland, Faculty of Electrical and Computer Engineering（冰岛大学电气与计算机工程学院） ； University of Iceland, Faculty of Medicine（冰岛大学医学院） ； University of Cologne, Faculty of Medicine（科隆大学医学院） ； University Hospital Cologne, Dept. of Nuclear Medicine and Dept. of Neurology（科隆大学医院核医学科和神经内科） ； the ASAP Neuroimaging Initiative（ASAP神经影像倡议） 纠错

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

AI总结 本文提出结合CNN与ML的混合框架，用于区分APD亚型与PD及亚型间差异，利用MRI和脑结构性质数据实现高分类精度。

Comments To be published in Proceedings of SPIE Medical Imaging 2026

DICE: Diffusion Consensus Equilibrium for Sparse-view CT Reconstruction

DICE：扩散共识均衡用于稀疏视角CT重建

Leon Suarez-Rodriguez, Roman Jacome, Romario Gualdron-Hurtado, Ana Mantilla-Dulcey, Henry Arguello

机构 * Department of Systems and Informatics Engineering（系统与信息工程系） ； Department of Electrical, Electronics, and Telecommunications Engineering（电气、电子与电信工程系） ； Department of Physics（物理系） ； Universidad Industrial de Santander（圣安德烈斯工业大学） 纠错

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

AI总结 DICE框架通过整合双代理共识均衡，结合生成先验能力和测量一致性，有效提升稀疏视角CT重建质量，实验显示在15、30和60视角下优于现有方法。

Comments 8 pages, 4 figures, confenrence

Journal ref Proceedings of the 2025 IEEE 10th International Workshop on Computational Advances in Multi-Sensor Adaptive Processing (CAMSAP)

Efficient Brain Extraction of MRI Scans with Mild to Moderate Neuropathology

高效提取带有轻度至中度神经病变的MRI扫描

Hjalti Thrastarson, Lotta M. Ellingsen

机构 * Faculty of Electrical and Computer Engineering, University of Iceland（电气与计算机工程学院，冰岛大学） 纠错

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

AI总结 本文提出了一种高效且鲁棒的MRI脑部提取方法，通过改进的U-Net和新的损失函数实现脑外表面的一致分割，适用于存在神经病变的图像。

Comments Accepted for publication in the Proceedings of SPIE Medical Imaging 2026

A Multimodal Clinically Informed Coarse-to-Fine Framework for Longitudinal CT Registration in Proton Therapy

一种多模态的临床导向粗到细框架用于质子治疗纵向CT配准

Caiwen Jiang, Yuzhen Ding, Mi Jia, Samir H. Patel, Terence T. Sio, Jonathan B. Ashman, Lisa A. McGee, Jean-Claude M. Rwigema, William G. Rule, Sameer R. Keole, Sujay A. Vora, William W. Wong, Nathan Y. Yu, Michele Y. Halyard, Steven E. Schild, Dinggang Shen, Wei Liu

机构 * Department of Radiation Oncology, Mayo Clinic, Phoenix, Arizona, USA（梅奥诊所放射肿瘤科） ； School of Biomedical Engineering, ShanghaiTech University, Shanghai, China（上海科技大学生物医学工程学院） ； Shanghai United Imaging Intelligence Co., Ltd., Shanghai 200230, China（上海联合影像智能科技有限公司） ； Shanghai Artificial Intelligence Laboratory, Shanghai 200232, China（上海人工智能实验室） ； Shanghai Clinical Research and Trial Center, Shanghai 201210, China（上海临床研究与试验中心） 纠错

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

AI总结 本文提出一种多模态的临床导向粗到细框架，结合质子放疗工作流程中的多种信息，提升纵向CT配准的准确性和临床适用性。

Med-CAM: Minimal Evidence for Explaining Medical Decision Making

Med-CAM：为解释医学决策制定提供最小证据

Pirzada Suhail, Aditya Anand, Amit Sethi

机构 * IIT Bombay（印度理工学院班加罗尔） 纠错

专题命中 医学影像 ：medical AI(abstract)；pathology(abstract)；diagnosis(abstract)；radiology(abstract)

AI总结 本文提出Med-CAM框架，通过分类器激活匹配生成最小且清晰的证据图，为医学决策提供解释性证据，优于现有方法。

ADP-DiT: Text-Guided Diffusion Transformer for Brain Image Generation in Alzheimer's Disease Progression

ADP-DiT：用于阿尔茨海默病进展的文本引导扩散变换器

Juneyong Lee, Geonwoo Baek, Ikbeom Jang

机构 * Department of Computer Science and Engineering（计算机科学与工程系） ； Hankuk University of Foreign Studies（韩国民法大学） 纠错

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

AI总结 ADP-DiT通过整合临床信息和时间间隔，提升阿尔茨海默病纵向MRI生成的精度与可解释性，实现更精细的时间控制和解剖结构重建。

Comments 15 pages, 3 figures, accepted to ICPR 2026

Learning-Based Estimation of Spatially Resolved Scatter Radiation Fields in Interventional Radiology

基于学习的介入放射学中空间分辨散射辐射场估计

Felix Lehner, Pasquale Lombardo, Susana Castillo, Oliver Hupe, Marcus Magnor

机构 * Physikalisch-Technische Bundesanstalt (PTB)（物理技术联邦机构（PTB）） ； Belgian Nuclear Research Centre (SCK CEN)（比利时核研究中心（SCK CEN）） ； Institute for Computer Graphics, Technical University Braunschweig（计算机图形学研究所，技术大学布伦瑞克） ； Physics and Astronomy, University of New Mexico（物理与天文学，新墨西哥大学） ； Cluster of Excellence PhoenixD, Leibniz University Hannover（卓越中心PhoenixD，莱比锡大学汉诺威） 纠错

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

AI总结 本文提出三种轻量级全连接神经网络变体，用于交互式估计三维空间分辨散射辐射场，并评估其在医疗辐射防护中的应用。

Enhancing Reinforcement Learning for Radiology Report Generation with Evidence-aware Rewards and Self-correcting Preference Learning

通过证据感知奖励和自校正偏好学习增强放射科报告生成

Qin Zhou, Guoyan Liang, Qianyi Yang, Jingyuan Chen, Sai Wu, Chang Yao, Zhe Wang

机构 * Department of Computer Science and Engineering, ECUST（电子科技大学计算机科学与工程系） ； Key Laboratory of Smart Manufacturing in Energy Chemical Process, Ministry of Education, P. R. China（教育部能源化工过程智能制造重点实验室） ； Zhejiang University（浙江大学） ； Hangzhou High-Tech Zone (Binjiang) Institute of Blockchain and Data Security（杭州高新技术区（滨江）区块链与数据安全研究院） 纠错

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

AI总结 本文提出ESC-RL方法，结合证据感知对齐奖励和自校正偏好学习，提升放射科报告生成的临床准确性与持续改进能力，实验表明其在胸部X光数据集上表现优异。

Comments 13 pages,4 figures, ACL2026-main

Algorithms Trained on Normal Chest X-rays Can Predict Health Insurance Types

在正常胸部X光上训练的算法可以预测健康保险类型

Chi-Yu Chen, Rawan Abulibdeh, Arash Asgari, Sebastián Andrés Cajas Ordóñez, Leo Anthony Celi, Deirdre Goode, Hassan Hamidi, Laleh Seyyed-Kalantari, Ned McCague, Thomas Sounack, Po-Chih Kuo

机构 * National Taiwan University Hospital, Taiwan（台湾国立台湾大学医院） ； University of Toronto, Canada（加拿大多伦多大学） ； York University, Canada（加拿大约克大学） ； MIT Critical Data, United States of America（美国MIT Critical Data） ； Massachusetts Institute of Technology, USA（美国麻省理工学院） ； Mass General Brigham, USA（美国麻省总医院） ； Dana-Farber Cancer Institute, USA（美国达纳-法伯癌症研究所） 纠错

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

AI总结 研究显示，通过训练胸部X光图像的深度模型，可预测患者的健康保险类型，揭示社会不平等的隐含特征，挑战医学影像的中立性假设。

Comments Accepted by MIDL 2026

CausalDisenSeg: A Causality-Guided Disentanglement Framework with Counterfactual Reasoning for Robust Brain Tumor Segmentation Under Missing Modalities

CausalDisenSeg: 一种基于因果推理的解耦框架，用于在缺失模态下的鲁棒脑肿瘤分割

Bo Liu, Yulong Zou, Jin Hong

机构 * School of Information Engineering, Nanchang University（南昌大学信息工程学院） ； School of Mathematics and Computer Sciences, Nanchang University（南昌大学数学与计算机科学学院） 纠错

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

AI总结 本文提出CausalDisenSeg框架，通过因果引导的解耦和反事实推理，解决多模态脑肿瘤分割中因模态偏差导致的鲁棒性问题，实验显示其在严重缺失模态场景下准确性和一致性均优于现有方法。

Is plasmoid-mediated reconnection really important in accretion flows to drive flares in AGNs?

反磁流体动力学中磁片介导的重联是否真的在吸积流中驱动AGN中的耀斑中起重要作用？

Giovani H. Vicentin, Elisabete M. de Gouveia Dal Pino, George N. Wong, Lia Medeiros, Grzegorz Kowal, James M. Stone, Alex Lazarian

专题命中 医学影像 ：MRI(abstract,abstract_cn)

AI总结 研究发现湍流介导的重联比磁片介导的重联快十倍，表明湍流驱动的重联是AGN中快速重联和耀斑的主要机制。

Comments 8 pages, 3 figures. Proceedings of the High Energy Phenomena in Relativistic Outflows IX (HEPRO-IX)

Agentic MR sequence development: leveraging LLMs with MR skills for automatic physics-informed sequence development

代理MR序列开发：利用LLM与MR技能进行自动物理引导的序列开发

Moritz Zaiss, Amr Aly, Jonathan Endres, Tobias Dornstetter, Simon Weinmüller, Andreas Maier

专题命中 医学影像 ：MRI(abstract,abstract_cn)

AI总结 本文提出Agent4MR框架，利用LLM和物理验证报告自动生成并优化PyPulseq序列，减少交互次数，实现高效序列开发。

Comments Word count abstract/body: 223 / 4303

Rethinking Uncertainty in Segmentation: From Estimation to Decision

重新思考分割中的不确定性：从估计到决策

Saket Maganti

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

AI总结 本文研究了医学图像分割中不确定性地图如何转化为决策策略，提出两阶段流程并引入简单置信度感知延迟规则，有效减少分割错误并提升跨数据集鲁棒性。

Comments 29 pages, 12 tables, 9 figures, Github repo: Saket-Maganti/medical-seg-uncertainity

Hybrid Approach for Enhancing Lesion Segmentation in Fundus Images

增强视网膜图像病变分割的混合方法

Mohammadmahdi Eshragh, Emad A. Mohammed, Behrouz Far, Ezekiel Weis, Carol L Shields, Sandor R Ferenczy, Trafford Crump

机构 * Department of Electrical \& Software Engineering, University of Calgary, Canada. ； Department of Computer Science ； Physics, Wilfrid Laurier University, Waterloo, Canada. ； Dept of Ophthalmology \& Visual Sciences, University of Alberta, Edmonton, Canada. ； Wills Eye Hospital, Philadelphia, USA. ； Department of Surgery, University of Calgary, Canada. 纠错

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

AI总结 本文提出结合数学聚类分割与U-Net的混合方法，提升视网膜病变分割精度，减少数据依赖，实现高分辨率图像的性能提升。

PBE-UNet: A light weight Progressive Boundary-Enhanced U-Net with Scale-Aware Aggregation for Ultrasound Image Segmentation

PBE-UNet：一种轻量级的渐进边界增强U-Net，具有尺度感知聚合，用于超声图像分割

Chen Wang, Yixin Zhu, Yongbin Zhu, Fengyuan Shi, Qi Li, Jun Wang, Zuozhu Liu, Keli Hu

机构 * Department of Computer Science, Shaoxing University（绍兴大学计算机科学系） ； National Frontiers Science Center for Industrial Intelligence and Systems Optimization, Northeastern University（工业智能化与系统优化国家级前沿科学中心，东北大学） ； College of Computer Science, Chongqing University（重庆大学计算机学院） ； School of Computer and Computing Science, Hangzhou City University（杭州市大学计算机与计算科学学院） ； ZJU-UIUC Institute, Zhejiang University（浙江大学ZJU-UIUC研究院） ； Information Technology R&D Innovation Center of Peking University（北京大学信息技术研发创新中心） 纠错

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

AI总结 本文提出PBE-UNet，通过引入尺度感知聚合模块和边界引导特征增强模块，解决超声图像分割中边界模糊和尺度变化的问题，实验表明其在四个数据集上优于现有方法。

Comments 14 pages, 14 figures

A 3D SAM-Based Progressive Prompting Framework for Multi-Task Segmentation of Radiotherapy-induced Normal Tissue Injuries in Limited-Data Settings

一种基于3D SAM的渐进提示框架，用于有限数据设置下的放射治疗诱导正常组织损伤多任务分割

Caiwen Jiang, Lei Zeng, Wei Liu

机构 * Department of Radiation Oncology, Mayo Clinic, Phoenix, Arizona, USA（放射肿瘤科，梅奥诊所，凤凰城，亚利桑那州，美国） 纠错

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

AI总结 本文提出一种基于3D SAM的渐进提示框架，用于在有限标注数据下实现放射治疗诱导正常组织损伤的多任务分割，通过三种互补提示提升分割性能。

fMRI-LM: Towards a Universal Foundation Model for Language-Aligned fMRI Understanding

fMRI-LM：迈向语言对齐的fMRI理解的通用基础模型

Yuxiang Wei, Yanteng Zhang, Xi Xiao, Chengxuan Qian, Tianyang Wang, Vince D. Calhoun

机构 * TReNDS Center (Georgia Institute of Technology, Georgia State University, Emory)（TReNDS中心（佐治亚理工学院、佐治亚州立大学、埃默里大学）） ； University of Alabama at Birmingham（阿拉巴马大学伯明翰分校） ； Jiangsu University（江苏大学） 纠错

专题命中 医学影像 ：MRI(abstract)

AI总结 本文提出fMRI-LM，通过三阶段框架将fMRI与语言结合，实现跨模态脑表示，通过神经分词、预训练LLM适应及多任务微调，提升fMRI的语义理解能力。

Comments Code are available: https://github.com/yuxiangwei0808/fMRI-LM

A Generalized Additive Partial-Mastery Cognitive Diagnosis Model

一种广义的加性部分掌握认知诊断模型

Camilo Cárdenas-Hurtado, Sze Ming Lee, Yunxiao Chen, Irini Moustaki

专题命中 诊断辅助 ：diagnosis(title,abstract)；biomedical(abstract)

AI总结 本文提出广义加性部分掌握认知诊断模型，通过非参数单调函数混合来放松传统模型的参数假设，提升模型适应性和解释性。

Comments 29 pages, 4 figures. Includes online appendix

Log-based vs Graph-based Approaches to Fault Diagnosis

基于日志与图的故障诊断方法比较

Mathis Nguyen, Mohamed Ali Lajnef

专题命中 诊断辅助 ：diagnosis(title,abstract)

AI总结 本文比较了基于日志的编码器（如BERT）与基于图的模型（如GNN）在自动故障诊断中的表现，发现融合日志编码器学习表示的图模型性能最佳。

Comments 8 pages, 7 figures, student project

Artificial intelligence application in lymphoma diagnosis with Vision Transformer using weakly supervised training

基于Vision Transformer的淋巴瘤诊断中的人工智能应用：使用弱监督训练

Nghia, Nguyen, Amer Wahed, Andy Quesada, Yasir Ali, Hanadi El Achi, Y. Helen Zhang, Jocelyn Ursua, Alex Banerjee, Sahib Kalra, L. Jeffrey Medeiros, Jie Xu

机构 * Department of Pathology and Laboratory Medicine, The University of Texas McGovern Medical School（病理学与实验室医学部，德克萨斯大学麦格诺恩医学学院） ； Department of Hematopathology, The University of Texas MD Anderson Cancer（血液病理学部，德克萨斯大学MD安德森癌症中心） 纠错

专题命中 诊断辅助 ：diagnosis(title)；分类 cs.CV、cs.LG

AI总结 本文探讨了使用弱监督训练的Vision Transformer在区分间变性大细胞淋巴瘤与经典霍奇金淋巴瘤中的应用，展示了其在临床诊断中的有效性。

Comments 23 pages, 6 figures, 1 table

MApLe: Multi-instance Alignment of Diagnostic Reports and Large Medical Images

MApLe：多实例诊断报告与大医学图像的对齐

Felicia Bader, Philipp Seeböck, Anastasia Bartashova, Ulrike Attenberger, Georg Langs

机构 * Computational Imaging Research Lab, Department of Biomedical Imaging and Image-guided Therapy, Medical University of Vienna（计算成像研究实验室，生物医学成像与影像引导治疗系，维也纳医学大学） ； Comprehensive Center for Artificial Intelligence in Medicine, Medical University of Vienna（医学人工智能综合中心，维也纳医学大学） ； Medical Anomaly Detection (MANO) Group, Computational Imaging Research (CIR), Department of Biomedical Imaging and Image-guided Therapy, Medical University of Vienna（医学异常检测（MANO）组，计算成像研究（CIR），生物医学成像与影像引导治疗系，维也纳医学大学） ； Department of Biomedical Imaging and Image-Guided Therapy, Medical University of Vienna（生物医学成像与影像引导治疗系，维也纳医学大学） 纠错

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

AI总结 MApLe通过多任务多实例对齐方法，解决诊断报告与图像局部区域的关联问题，提升医学图像与文本的对齐性能。

Comments Accepted for MIDL 2026; Reviews available at https://openreview.net/forum?id=M8OO3CRbL9#discussion

A Resource-Efficient Hybrid CNN-LSTM network for image-based bean leaf disease classification

一种资源高效的混合CNN-LSTM网络用于基于图像的豆类叶病分类

Hye Jin Rhee, Joseph Damilola Akinyemi

机构 * University of York（约克大学） 纠错

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

AI总结 本文提出一种轻量级混合CNN-LSTM网络，用于豆类叶病分类，实现94.38%的准确率，内存占用仅为1.86MB，并通过系统评估图像增强策略，验证了定制化变换在保持诊断模式完整性方面的有效性。

Exciton screening in C$_{60}$ and PTCDA complexes. TDDFT calculations with GGA and hybrid functionals

C60和PTCDA复合物中的激子屏蔽。使用GGA和混合泛函的TDDFT计算

N. L. Matsko, Mahmoud A. Salem

专题命中 诊断辅助 ：CT(abstract,abstract_cn)

AI总结 研究C60和PTCDA分子复合物低能区的光吸收，分析PBE、B3LYP和HSE交换关联泛函对激子能精度的影响，尤其关注电荷转移激子，发现混合泛函在短程激子计算中更准确，但长程激子计算中精度下降，且当激子半径接近屏蔽长度时，PBE泛函更优。

Comparison of window shapes and lengths in short-time feature extraction for classification of heart sound signals

短时特征提取中窗口形状和长度的比较用于心音信号分类

Mahmoud Fakhry, Abeer FathAllah Brery

机构 * Electrical Engineering Department, Faculty of Engineering, Aswan University（阿斯旺大学电子工程系） 纠错

专题命中 诊断辅助 ：pathology(abstract)；diagnosis(abstract)

AI总结 本文研究了不同窗口形状和长度对心音信号分类的影响，通过biLSTM网络评估三种窗口形状和三种长度的性能，发现高斯窗口在75ms长度下表现最佳。

Dental-TriageBench: Benchmarking Multimodal Reasoning for Hierarchical Dental Triage

牙科分诊基准：用于分层牙科分诊的多模态推理基准

Ziyi He, Yushi Feng, Shuangyu Yang, Yinghao Zhu, Xichen Zhang, Pak Chuen Patrick Tai, Hei Yuet Lo, Songying Wu, Weifa Yang, Lequan Yu

机构 * School of Computing and Data Science, The University of Hong Kong（香港大学计算与数据科学学院） ； Faculty of Dentistry, The University of Hong Kong（香港大学牙科学院） ； The Prince Philip Dental Hospital（菲利普王子牙科医院） ； Li Ka Shing Faculty of Medicine, The University of Hong Kong（香港大学利滋医学学院） ； The Hong Kong University of Science and Technology（香港科学与技术大学） 纠错

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

AI总结 本文提出Dental-TriageBench，首个专家标注的多模态牙科分诊基准，通过246个脱敏案例评估19种模型在细粒度治疗层面分诊中的表现，揭示了人类与模型间的显著差距。

Failure Makes the Agent Stronger: Enhancing Accuracy through Structured Reflection for Reliable Tool Interactions

失败让智能体更强：通过结构化反思提升准确性以实现可靠的工具交互

Junhao Su, Yuanliang Wan, Junwei Yang, Hengyu Shi, Tianyang Han, Junfeng Luo, Yurui Qiu

机构 * Vision Agent Team, Meituan（美团视觉代理团队） ； MeiGen AI Team, Meituan（美团MeiGen AI团队） 纠错

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

AI总结 本文提出结构化反思方法，通过显式反思和优化提升工具交互的可靠性，实验表明在多轮工具调用中显著提高成功率并减少冗余调用。

Comments ACL

Multi-Task LLM with LoRA Fine-Tuning for Automated Cancer Staging and Biomarker Extraction

多任务LLM结合LoRA微调用于自动癌症分期和生物标志物提取

Jiahao Shao, Anam Nawaz Khan, Christopher Brett, Tom Berg, Xueping Li, Bing Yao

机构 * Department of Industrial & Systems Engineering, The University of Tennessee, Knoxville（工业与系统工程系，田纳西大学， Knoxville） 纠错

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

AI总结 本文提出一种参数高效、多任务框架，利用LoRA微调LLM实现乳腺癌TNM分期、组织学分级和生物标志物的自动化提取，实验显示其在宏F1分数上达到0.976，优于传统方法。

Comments 11 pages, 3 figures and 4 tables in the main manuscript. Additional content, figures and tables are in supplementary material section. 17 pages in total

Democratising Pathology Co-Pilots: An Open Pipeline and Dataset for Whole-Slide Vision-Language Modelling

让病理共驾民主化：一个开放的管道和数据集用于整张滑片视觉-语言建模

Sander Moonemans, Sebastiaan Ram, Frédérique Meeuwsen, Carlijn Lems, Jeroen van der Laak, Geert Litjens, Francesco Ciompi

机构 * Computational Pathology Group, Radboud University Medical Center（计算病理组，拉德堡德大学医学中心） 纠错

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

AI总结 本文提出Polysome工具和HISTAI-Instruct数据集，训练出ANTONI-α模型，在整张滑片VQA任务中超越MedGemma，所有方法和数据公开。

Comments 12 pages, 4 figures