医学 AI

SynCABEL: Synthetic Contextualized Augmentation for Biomedical Entity Linking

SynCABEL：面向生物医学实体链接的合成上下文增强

Adam Remaki, Christel Gérardin, Eulàlia Farré-Maduell, Martin Krallinger, Xavier Tannier

机构 * Sorbonne Université, Inserm, Université Sorbonne Paris Nord, Limics（索邦大学、国家医学研究院、巴黎索邦大学、Limics） ； Service de médecine interne, Hôpital Tenon, Assistance Publique - Hôpitaux de Paris（内科服务部，Tenon医院，巴黎公共医院） ； Barcelona Supercomputing Center, Barcelona, Spain（巴塞罗那超级计算中心，西班牙巴塞罗那） 纠错

专题命中 生物医学文本 ：biomedical(title,abstract)；分类 cs.LG

AI总结 SynCABEL通过利用大型语言模型生成丰富的上下文合成训练示例，解决了监督式生物医学实体链接中专家标注数据稀缺的问题，并在三个多语言基准上实现了新的最先进的结果。

Comments 7 pages, 5 figures

BELIEF: Structured Evidence Modeling and Uncertainty-Aware Fusion for Biomedical Question Answering

BELIEF: 结构化证据建模与不确定性感知融合用于生物医学问答

Chang Zong, Hao Ning, Siliang Tang, Jie Huang, Jian Wan

机构 * School of Computer Science and Technology, Zhejiang University of Science and Technology（浙江理工大学计算机科学与技术学院） ； College of Artificial Intelligence, Zhejiang University（浙江大学人工智能学院） ； Zhejiang Key Laboratory of Biomedical Intelligent Computing Technology, Zhejiang University of Science and Technology（浙江理工大学生物医学智能计算技术重点实验室） 纠错

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

AI总结 本文提出BELIEF框架，通过结构化证据建模和不确定性感知融合，提升生物医学问答任务中检索文献的利用效率，实现对证据可靠性、不确定性以及候选假设的支持强度的显式建模。

Comments 14 pages, 6 figures

QuCo-RAG: Quantifying Uncertainty from the Pre-training Corpus for Dynamic Retrieval-Augmented Generation

QuCo-RAG：从预训练语料库中量化不确定性以实现动态检索增强生成

Dehai Min, Kailin Zhang, Tongtong Wu, Lu Cheng

机构 * University of Illinois at Chicago（伊利诺伊大学香槟分校） ； New York University（纽约大学） ； Monash University（莫纳什大学） 纠错

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

AI总结 本研究提出QuCo-RAG，通过从预训练语料库中提取客观统计信息来量化不确定性，以解决动态检索增强生成中大语言模型的幻觉问题，实验表明其在多跳问答基准测试中优于现有方法，并在多个模型上实现了显著的提升。

Comments ACL Findings 2026

GenoMAS: A Multi-Agent Framework for Scientific Discovery via Code-Driven Gene Expression Analysis

GenoMAS：通过代码驱动的基因表达分析进行科学发现的多智能体框架

Haoyang Liu, Yijiang Li, Haohan Wang

机构 * University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； University of California, San Diego（加州大学圣地亚哥分校） 纠错

专题命中 生物医学文本 ：biomedical(abstract)；分类 cs.LG、q-bio

AI总结 该研究提出GenoMAS多智能体框架，通过类型消息传递协议协调六个专门的LLM代理，以实现基因表达数据的高效处理和科学发现，其在数据预处理和基因识别任务上均优于现有方法。

Comments 51 pages (14 pages for the main text, 10 pages for references, and 27 pages for the appendix)

Nash: Neural Adaptive Shrinkage for Structured High-Dimensional Regression

Nash: 用于结构高维回归的神经自适应收缩

William R. P. Denault

机构 * Departments of Statistics and Human Genetics（统计学与人类遗传学系） 纠错

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

AI总结 本文提出Nash框架，通过神经网络整合协变量特定的侧信息，实现高维稀疏回归，提升模型适应性和准确性。

Reliable fairness auditing with semi-supervised inference

基于半监督推断的可靠公平性审计

Jianhui Gao, Jessica Gronsbell

专题命中 生物医学文本 ：biomedical(abstract)

AI总结 本文提出Infairness框架，利用半监督推断在有限标注数据下实现公平性审计，通过回归与非线性基函数填补缺失结果，提升估计鲁棒性和效率，实验证明其在医疗数据中显著降低方差。