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。

2026-05-13 至 2026-05-13 共收录 5 篇信号源：cs.CV, cs.LG, q-bio, eess.IV, eess.SP

1. 生物医学文本 5 篇

2605.11829 2026-05-13 physics.optics cs.LG eess.SP physics.med-ph 62%

Bin Latent Transformer (BiLT): A shift-invariant autoencoder for calibration-free spectral unmixing of turbid media

Bin Latent Transformer (BiLT)：一种用于浊介质校准自由光谱解混的不变自编码器

Martin Hohmann

机构 * Institute of Photonic Technologies (LPT), Friedrich-Alexander-Universit\"at Erlangen-N\"urnberg (FAU), Konrad-Zuse-Stra e 3/5, 91052 Erlangen, Germany

专题命中生物医学文本：biomedical(abstract)；分类 cs.LG、eess.SP

AI总结本文提出BiLT自编码器，通过交叉注意力扫描替代传统密集编码，实现对浊介质中光谱成分的校准自由解混，实验显示其在不同光谱带宽下均保持高精度。

2410.00532 2026-05-13 q-bio.QM 54%

smICA: Open-Source Software for Quantitative, Lifetime-Resolved Mapping of Absolute Fluorophore Concentrations in Living Cells

smICA：用于活细胞中绝对荧光素浓度定量、寿命解析映射的开源软件

Tomasz Kalwarczyk, Grzegorz Bubak, Jarosław Michalski, Antoni Lis, Karina Kwapiszewska, Marta Pilz, Adam Mamot, Olga Perzanowska, Joanna Kowalska, Jacek Jemielity, Robert Hołyst

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

AI总结 smICA通过寿命解析信号过滤、基于强度的细胞分割等方法，实现活细胞中绝对荧光素浓度的定量映射，较传统FCS方法更高效，适用于单细胞研究。

Comments 19 pages, 8 figures, 31 references

2605.11258 2026-05-13 cs.AI cs.CL q-bio.QM 54%

Unlocking LLM Creativity in Science through Analogical Reasoning

通过类比推理解锁大语言模型在科学中的创造力

Andrew Shen, Shaul Druckmann, James Zou

机构 * Stanford University（斯坦福大学）

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

AI总结本文通过类比推理方法提升大语言模型在开放性问题解决中的多样性与创新性，实验表明该方法显著提高了生成解决方案的质量和多样性。

2605.12438 2026-05-13 cs.CL cs.AI 50%

A Causal Language Modeling Detour Improves Encoder Continued Pretraining

通过因果语言模型的绕行提升编码器持续预训练

Rian Touchent, Eric de la Clergerie

机构 * Sorbonne Université / INRIA Paris ALMAnaCH Team（索邦大学 / 巴黎INRIA ALMAnaCH团队）； INRIA Paris ALMAnaCH Team（巴黎INRIA ALMAnaCH团队）

专题命中生物医学文本：biomedical(abstract)

AI总结本文通过在持续预训练中临时切换到因果语言模型并随后进行短时掩码语言模型衰减，提升了下游任务性能，特别是在生物医学文本上表现更优。

2605.12120 2026-05-13 cs.AI 50%

To Whom Do Language Models Align? Measuring Principal Hierarchies Under High-Stakes Competing Demands

语言模型对谁进行对齐？在高风险竞争需求下测量主导层级

Fangyi Yu, Nabeel Seedat, Jonathan Richard Schwarz, Andrew M. Bean

机构 * Thomson Reuters Foundational Research（汤姆森·路透基础研究）； University of Oxford（牛津大学）； Imperial College London（帝国理工学院伦敦分校）

专题命中生物医学文本：medical AI(abstract)

AI总结研究探讨了在高风险专业场景中语言模型如何在用户、机构权威和专业规范之间进行对齐，发现模型在任务执行中常忽视专业规范，且对齐层级在不同领域和模型间不稳定。