科学与医疗

医学 AI

医学智能、临床 AI、医学影像、病理、诊断和医疗健康大模型。

2026-04-20 至 2026-04-20 共收录 4 篇信号源：cs.CV, cs.LG, q-bio, eess.IV, eess.SP

1. 病理影像 4 篇

2604.16104 2026-04-20 eess.IV cs.AI cs.CV 90%

Dual-Modal Lung Cancer AI: Interpretable Radiology and Microscopy with Clinical Risk Integration

双模肺癌AI：结合可解释放射学与显微镜的临床风险整合

Baramee Sukumal, Aueaphum Aueawatthanaphisut

机构 * Hatyaiwittayalai School（哈雅维泰莱学校）； School of Information, Computer, and Communication Technology（信息、计算机与通信技术学院）； Sirindhorn International Institute of Technology（Sirindhorn国际技术学院）； Thammasat University（泰国朱拉大学）； Pathum Thani, Thailand（帕亨他尼，泰国）

专题命中病理影像：CT(summary_cn,abstract)；radiology(title,abstract)；diagnosis(abstract)；分类 cs.CV、eess.IV

AI总结本文提出整合CT放射学与H&E病理学的双模AI框架，利用卷积神经网络提取特征并融合临床数据，通过可解释AI技术提升诊断性能，实现肺癌亚型分类。

Comments 16 pages, 6 figures, 3 tables, 8 equations

2604.16034 2026-04-20 cs.CV physics.data-an 72%

Ranking XAI Methods for Head and Neck Cancer Outcome Prediction

为头颈癌预后预测排名XAI方法

Baoqiang Ma, Djennifer K. Madzia-Madzou, Rosa C. J. Kraaijveld, Jin Ouyang

机构 * Image Sciences Institute, University Medical Center Utrecht（图像科学研究所，乌得勒支大学医学中心）

专题命中病理影像：CT(abstract,abstract_cn)；分类 cs.CV；biomedical(comments)

AI总结本文研究了13种XAI方法在24项指标上的综合评估，发现不同方法在可解释性、鲁棒性等方面存在显著差异，IG和DL在可解释性、复杂性和合理性上表现突出。

Comments 4-page conference paper, accepted at IEEE ISBI 2026 (International Symposium on Biomedical Imaging)

2604.15729 2026-04-20 cs.CV cs.AI 70%

MambaBack: Bridging Local Features and Global Contexts in Whole Slide Image Analysis

MambaBack：在全切片图像分析中弥合局部特征与全局上下文

Sicheng Chen, Chad Wong, Tianyi Zhang, Enhui Chai, Zeyu Liu, Fei Xia

机构 * Nhu Department of Electrical Engineering and Computer Science, University of California, Irvine（加州大学尔湾分校Nhu电子工程与计算机科学系）； Department of Electrical & Computer Engineering, National University of Singapore（新加坡国立大学电子与计算机工程系）； PuzzleLogic Pte Ltd, Singapore（新加坡PuzzleLogic公司）

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

AI总结 MambaBack通过融合Mamba和MambaOut的优势，解决全切片图像分析中局部特征提取与全局上下文建模的挑战，提升多尺度表示能力。

2510.20299 2026-04-20 cs.LG cs.AI 57%

DB-FGA-Net: Dual Backbone Frequency Gated Attention Network for Multi-Class Brain Tumor Classification with Grad-CAM Interpretability

DB-FGA-Net：双主干频率门控注意力网络用于具有Grad-CAM可解释性的多类脑肿瘤分类

Saraf Anzum Shreya, MD. Abu Ismail Siddique, Sharaf Tasnim

机构 * Dept. of Electronics and Telecommunication Engineering, Rajshahi University of Engineering and Technology（电子与电信工程系，拉贾沙希工程与技术大学）

专题命中病理影像：diagnosis(abstract)；分类 cs.LG

AI总结本文提出一种双主干网络，结合VGG16和Xception，通过频率门控注意力模块捕捉局部和全局特征，实现无需数据增强的高准确率分类，并通过Grad-CAM可视化提升临床可解释性。

Comments 25 pages, 14 figures, 13 tables