医学 AI

Prompting language influences diagnostic reasoning and accuracy of large language models

提示语言影响大型语言模型的诊断推理和准确性

Adrien Bazoge, Josselin Corvellec, Sofiane Djillali Sid-Ahmed, Pierre-Antoine Gourraud

机构 * Data Clinic, Nantes University Hospital（数据诊所，南特大学医院） 纠错

专题命中 诊断辅助 ：diagnosis(abstract)

AI总结 本研究探讨了提示语言对大型语言模型在临床诊断推理和准确性上的影响，通过比较英语和法语性能，发现四种模型在英语环境下表现更优，而o3模型未表现出语言效应，表明提示语言是影响模型临床性能的关键因素。

Due Process on Hold: A Queueing Framework for Improving Access in SNAP

暂缓程序：一种排队框架用于改善SNAP访问

Andrew Daw, Chloe Pache, Angela Zhou

专题命中 诊断辅助 ：diagnosis(abstract)

AI总结 本文提出了一种基于排队模型的评估框架，用于评估和改进SNAP系统中的访问问题，通过分析系统动态和访问需求之间的相互作用，揭示了社会服务中特有的现象，如重拨和放弃，从而改进访问系统的设计和政策制定。

Towards complete characterization of topological insulators and superconductors: A systematic construction of topological invariants based on Atiyah-Hirzebruch spectral sequence

迈向拓扑绝缘体和超导体的完全表征：基于Atiyah-Hirzebruch谱序列的系统性拓扑不变量构造

Seishiro Ono, Ken Shiozaki

专题命中 诊断辅助 ：diagnosis(abstract)

AI总结 本文提出了一种系统性框架，用于构造大部分对称类的拓扑不变量，通过在动量空间中利用最近发展的Atiyah-Hirzebruch谱序列，展示了如何构建时间反演对称的自旋超导体的拓扑不变量，并验证了这些不变量在随机生成的对称哈密顿量中的有效性，从而完全表征了159个空间群的K群。

Comments 61 pages, Supplementary data are available at https://seishiroono.github.io/arxiv-2311.15814/

KG-ASG: Collision-Knowledge-Guided Closed-Loop Adversarial Scenario Generation With Primary-Support Attribution

KG-ASG: 基于碰撞知识的闭环对抗场景生成与主支持属性

Cheng Wang, Chen Xiong, Ziwen Wang, Yuchen Zhou, Qiang Liu

机构 * Guangdong Provincial Key Laboratory of Intelligent Transportation System, School of Intelligent Systems Engineering, Shenzhen Campus of Sun Yat-sen University（广东省智能交通系统重点实验室，智能系统工程学院，中山大学深圳校区） 纠错

专题命中 诊断辅助 ：diagnosis(abstract)

AI总结 本文提出KG-ASG框架，通过碰撞知识引导和主支持属性，提高自动驾驶系统安全验证的对抗有效性、可解释性和可执行性。

CLIC: Contextual Language-Informed Cardiac Pathology Classification

CLIC: 基于上下文的语言引导心脏病理分类

Giovani D. Lucafo, Rafael da Costa Silva, João Lucas Luz Lima Sarcinelli, Andre Guarnier De Mitri, Diego Furtado Silva

机构 * Institute of Mathematical and Computer Sciences（数学与计算机科学学院） ； Universidade de São Paulo（圣保罗大学） 纠错

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

AI总结 本文提出CLIC框架，通过将患者上下文数据转化为描述性文本，利用自然语言编码技术提升心脏病理诊断的精确度，同时探索大语言模型生成的临床描述在下游分类任务中的应用。

Comments 6 pages, 2 figures, accepted at the ICLR 2026 Workshop on Time Series in the Age of Large Models (TSALM)

Federated Distillation for Whole Slide Image via Gaussian-Mixture Feature Alignment and Curriculum Integration

通过高斯混合特征对齐和课程整合实现全切片图像的联邦蒸馏

Luru Jing, Cong Cong, Yanyuan Chen, Yongzhi Cao

机构 * School of Computer Science, Peking University, Beijing, China（北京大学计算机科学系） ； Center for Health Informatics, Australian Institute of Health Innovation, Macquarie University, Sydney, NSW 2113, Australia（健康信息学中心，澳大利亚健康创新研究所，麦考利大学，悉尼，NSW 2113，澳大利亚） ； School of Data Science, University of Virginia, Charlottesville, VA, USA（数据科学学院，弗吉尼亚大学，夏洛特维尔，VA，美国） 纠错

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

AI总结 本文提出FedHD框架，通过高斯混合特征对齐和课程整合策略，在联邦学习中实现全切片图像分析，通过本地生成的语义丰富合成特征表示提升模型性能，同时保持诊断多样性。

Comments Accepted by ICML 2026, Camera-Ready version updated

Multimodal system for skin cancer detection

多模态皮肤癌检测系统

Volodymyr Sydorskyi, Igor Krashenyi, Oleksii Yakubenko

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

AI总结 本文提出一种多模态皮肤癌检测系统，结合传统照片图像与表格型元数据（如患者人口统计数据和病变特征），通过多模态神经网络和两阶段模型提升检测准确率，并通过三阶段流程进一步优化预测，最终在不平衡数据集上实现显著性能提升。

Comments Accepted to System research and information technologies

Journal ref System Research and Information Technologies, no. 1, pp. 33-57, 2026

USIGAN: Unbalanced Self-Information Feature Transport for Weakly Paired Image IHC Virtual Staining

USIGAN: 用于弱配对图像IHC虚拟染色的不平衡自信息特征传输

Yue Peng, Bing Xiong, Fuqiang Chen, De Eybo, RanRan Zhang, Wanming Hu, Jing Cai, Wenjian Qin

机构 * ShenZhen Institues of Advanced Technology, university chinese academy of sciences（深圳先进技术研究院，中国科学院） 纠错

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

AI总结 本文提出USIGAN方法，通过提取全局形态学语义来解决弱配对条件下IHC虚拟染色的不一致问题，改进生成结果的病理语义一致性。

YAC: Bridging Natural Language and Interactive Visual Exploration with Generative AI for Biomedical Data Discovery

YAC：通过生成式AI连接自然语言与交互式视觉探索，用于生物医学数据发现

Devin Lange, Shanghua Gao, Pengwei Sui, Priya Misner, Astrid van den Brandt, Austen Money, Nikolay Akhmetov, Lisa Choy, Marinka Zitnik, Nils Gehlenborg

机构 * Harvard Medical School（哈佛医学院） 纠错

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

AI总结 本文提出YAC系统，结合自然语言输入和交互式可视化，通过生成式AI提升生物医学数据发现接口的能力，通过用户研究和系统分析改进系统设计和功能。

GraphPINE: Graph Importance Propagation for Interpretable Drug Response Prediction

GraphPINE: 图重要性传播用于可解释的药物反应预测

Yoshitaka Inoue, Tianfan Fu, Augustin Luna

机构 * Computational Biology Branch, National Library of Medicine（国家医学图书馆计算生物学分支） ； Developmental Therapeutics Branch, National Cancer Institute（国家癌症研究所发育治疗分支） 纠错

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

AI总结 本文提出GraphPINE，一种利用领域特定先验知识初始化节点重要性的图神经网络架构，以提高药物反应预测的可解释性。通过引入重要性传播层，统一更新特征矩阵和节点重要性，并利用基于GNN的图传播来传播特征值，从而实现更有效的特征学习和图表示。

MMAP: A Multi-Magnification and Prototype-Aware Architecture for Predicting Spatial Gene Expression

MMAP: 一种多倍率和原型感知架构，用于预测空间基因表达

Hai Dang Nguyen, Nguyen Dang Huy Pham, The Minh Duc Nguyen, Dac Thai Nguyen, Hang Thi Nguyen, Duong M. Nguyen

机构 * Institute for AI Innovation and Societal Impact（人工智能创新与社会影响研究所） ； Hanoi University of Science and Technology（河内科学技术大学） ； Amsterdam High School for the Gifted（阿姆斯特丹天才高中） ； Anatomic Pathology Division, Laboratory Department, Vinmec Times City International Hospital（Vinmec国际医院解剖病理科实验室部门） ； Vinmec Healthcare System（Vinmec医疗系统） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） 纠错

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

AI总结 本文提出MMAP架构，通过多倍率和原型增强方法，解决空间基因表达预测中的局部特征粒度不足和全局空间上下文覆盖不足的问题，实验表明其在多个评估指标上均优于现有最先进方法。

Comments Received Best Paper Award at the 2025 Pacific Rim International Conference on Artificial Intelligence (PRICAI 2025)

RecoAtlas: From Semantic Plausibility to Set-Level Utility in LLM Recommendation Agents

RecoAtlas: 从语义合理性到集级效用在LLM推荐代理中

Imad Aouali, Flavian Vasile, Otmane Sakhi, Alexandre Gilotte, Benjamin Heymann

机构 * Criteo AI Lab（Criteo人工智能实验室） 纠错

专题命中 医学数据与评测 ：diagnosis(abstract)；分类 cs.LG

AI总结 本文提出RecoAtlas，一个用于评估购物代理的基准和工具包，通过行为基础的度量标准来评估推荐代理的性能，揭示语义合理性并不一定代表行为基础的效用。

Comments Benchmark on LLM Recommendation Agents