医学 AI

Cross-modal linkage risk in clinical vision-language models

临床视觉-语言模型中的跨模态链接风险

Soroosh Tayebi Arasteh, Mahshad Lotfinia, Sven Nebelung, Daniel Truhn

机构 * Lab for AI in Medicine（医学人工智能实验室） ； RWTH Aachen University（亚琛工业大学） ； Department of Diagnostic and Interventional Radiology（诊断与介入放射学部门） 纠错

专题命中 医疗多模态 ：pathology(abstract)；radiology(abstract)；分类 cs.CV、cs.LG

AI总结 研究临床视觉-语言模型（VLM）在图像与报告分离场景下通过余弦相似度实现跨模态重链接的风险，并采用仅对投影头进行差分隐私微调的方法在保持图像效用同时显著降低重链接率。

Med-Scout: Curing MLLMs' Geometric Blindness in Medical Perception via Geometry-Aware RL Post-Training

Med-Scout: 通过几何感知的强化学习后训练治愈多模态大语言模型在医学感知中的几何盲点

Anglin Liu, Ruichao Chen, Yi Lu, Hongxia Xu, Jintai Chen

机构 * HKUSTGZ-ML4Health-Lab（香港科技大学-ML4Health实验室） 纠错

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

AI总结 提出Med-Scout框架，利用无标注医学图像中的内在几何逻辑，通过强化学习和三种代理任务（层次尺度定位、拓扑拼图重建、异常一致性检测）来缓解多模态大语言模型的几何盲点，并在新基准Med-Scout-Bench上提升超过40%的几何感知性能，同时泛化到更广泛的医学理解任务。

Comments 29 pages, 14 figures. Accepted at ICML 2026

Exploring the Capabilities of Large Language Model Encoders for Image-Text Retrieval in Chest X-rays

探索大语言模型编码器在胸部X光片图像-文本检索中的能力

Hanbin Ko, Gihun Cho, Inhyeok Baek, Donguk Kim, Joonbeom Koo, Changi Kim, Dongheon Lee, Chang Min Park

机构 * Interdisciplinary Program in Bioengineering, Seoul National University Graduate School（生物工程跨学科项目，首尔国立大学研究生院） ； Integrated Major in Innovative Medical Science, Seoul National University Graduate School（创新医学科学整合专业，首尔国立大学研究生院） ； Department of Radiology, The First Affiliated Hospital, Zhejiang University School of Medicine（浙江大学医学院第一附属医院放射科） ； Seoul National University College of Medicine（首尔国立大学医学院） ； Department of Radiology, Seoul National University College of Medicine, Seoul National University Hospital（首尔国立大学医学院放射科，首尔国立大学医院） ； Institute of Medical and Biological Engineering, Seoul National University Medical Research Center（医学与生物工程研究所，首尔国立大学医学研究所以及） ； Institute of Radiation Medicine, Seoul National University Medical Research Center（放射医学研究所，首尔国立大学医学研究所以及） 纠错

专题命中 医疗多模态 ：medical image(abstract)；radiology(abstract)；分类 cs.CV

AI总结 提出一种领域自适应的双向大语言模型文本编码器，通过掩码标记预测和监督对比学习训练，结合参数高效的双塔对比视觉语言框架，提升胸部X光片图像与文本的对齐和检索性能。

Comments 12 pages, 2 figures, under review

MM-Snowball: Evaluating and Mitigating Hallucination Snowballing in Multimodal Multi-Turn Dialogue

MM-Snowball：多模态多轮对话中的幻觉雪崩评估与缓解

Yue Jiang, Xue Jiang, Lihua Zhang, Zhiqiang Wang, Yuhang Lu, Peng Wang, Bo Han, Feng Zheng, Dingkang Yang

机构 * College of Intelligent Robotics and Advanced Manufacturing, Fudan University（复旦大学智能机器人与先进制造学院） ； Southern University of Science and Technology（南方科技大学） ； TMLR Group, Hong Kong Baptist University（香港 Baptist 大学 TMLR 团体） ； MM Lab, CUHK（CUHK 多模态实验室） ； RAMS Lab, Huawei Technologies Co., Ltd.（华为技术有限公司 RAMS 实验室） 纠错

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

AI总结 针对多模态大模型在多轮对话中因初始错误累积导致幻觉雪崩的问题，提出首个细粒度诊断基准MM-Snowball，并设计无训练的冲突感知视觉校正方法CAVR，通过表示级刷新视觉锚定和logit级修正输出分布来缓解雪崩效应。

Comments Accepted by The International Conference on Machine Learning (ICML 2026)

Perspective on Bias in Biomedical AI: Preventing Downstream Healthcare Disparities

生物医学AI中的偏见视角：防止下游医疗保健差异

Michal Rosen-Zvi, Yoav Kan-Tor, Michael Danziger, Agata Ferretti, Javier Aula-Blasco, Julia Falcao, Ron Shamir, Mira Marcus-Kalish, Mordechai Muszkat

机构 * Weizmann Institute of Science（魏茨曼科学研究院） ； Hebrew University of Jerusalem（特拉维夫大学） 纠错

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

AI总结 本文通过分析2015-2024年4514篇组学出版物和大型数据集，揭示数据收集和研究中存在的严重人口偏见，并提出通过来源、开放性和评估透明度三个原则来预防下游医疗保健差异。

Comments This manuscript has been accepted for publication in the 2026 IEEE International Conference on Digital Health (ICDH). The final version will appear in IEEE Xplore

HypothesisMed: Inference-Time Answer Fusion and Structured Hypothesis-Space Reporting for Biomedical Question Answering

HypothesisMed：生物医学问答中的推理时答案融合与结构化假设空间报告

Md Motaleb Hossen Manik, Ge Wang

机构 * Department of Computer Science Rensselaer Polytechnic Institute（计算机科学系雷士打理工学院） ； Department of Biomedical Engineering Rensselaer Polytechnic Institute（生物医学工程系雷士打理工学院） 纠错

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

AI总结 提出HypothesisMed推理时可靠性流水线，通过答案融合和SPACE标签（有效/不完整/矛盾）提升生物医学多项选择问答的准确率、可解析性和结构化可靠性报告。

Ryze: Evidence-Enriched Data Synthesis from Biomedical Papers

Ryze：从生物医学论文中合成富含证据的数据

Yeqi Huang, Yue Chen, Yanwei Ye, Guanhao Su, Luo Mai

机构 * University of Edinburgh（爱丁堡大学） 纠错

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

AI总结 提出 Ryze 系统，自动从生物医学论文中生成包含完整证据结构的训练数据，并训练出领域专用 VLM BioVLM-8B，在 LAB-Bench 上以低于 200 美元成本达到 48.0% 加权准确率。

Comments Accepted at ACL 2026 System Demonstrations Track. 8 pages, 6 figures

Med-V1: Small Language Models for Zero-shot and Scalable Biomedical Evidence Attribution

Med-V1：用于零样本和可扩展生物医学证据归因的小型语言模型

Qiao Jin, Yin Fang, Lauren He, Yifan Yang, Guangzhi Xiong, Zhizheng Wang, Nicholas Wan, Joey Chan, Donald C. Comeau, Robert Leaman, Charalampos S. Floudas, Aidong Zhang, Michael F. Chiang, Yifan Peng, Zhiyong Lu

机构 * Division of Intramural Research, National Library of Medicine, National Institutes of Health（国家医学图书馆内部研究部，国立卫生研究院） ； Department of Computer Science, University of Virginia（弗吉尼亚大学计算机科学系） ； Center for Cancer Research, National Cancer Institute, National Institutes of Health（国家癌症研究所癌症研究中心，国立卫生研究院） ； Department of Population Health Sciences, Weill Cornell Medicine Institute of AI for Digital Health, Weill Cornell Medicine（韦尔·科恩医学中心流行病学与健康科学系，韦尔·科恩医学中心人工智能与数字健康研究所） 纠错

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

AI总结 提出仅3B参数的小语言模型Med-V1，通过高质量合成数据训练，在生物医学证据归因任务上性能媲美GPT-5等前沿大模型，并用于量化LLM幻觉和识别临床指南中的证据错误归因。

Teager-Kaiser Energy Methods For EEG Feature Extraction In Biomedical Applications

Teager-Kaiser能量方法在生物医学应用中用于EEG特征提取

Ioanna Chourdaki, Kleanthis Avramidis, Christos Garoufis, Athanasia Zlatintsi, Petros Maragos

专题命中 生物医学文本 ：biomedical(title)；分类 eess.SP

AI总结 本文研究非线性Teager-Kaiser能量算子（TKEO）在运动想象、情绪识别和癫痫检测三个任务中建模EEG能量动态，通过Gabor滤波器组和能量分离算法提取能量描述符，并与传统特征比较，发现TKEO特征在癫痫检测中平衡准确率提升约15%，在运动想象中略有提升，在情绪识别中性能相当。

Comments Accepted to EUSIPCO 2026

Plausibility Is Not Prediction: Contrastive Evidence for LLM-Based Cellular Perturbation Reasoning

似真性不是预测：基于LLM的细胞扰动推理的对比证据

Xinyu Yuan, Xixian Liu, Jianan Zhao, Yashi Zhang, Hongyu Guo, Jian Tang

机构 * Mila - Québec AI Institute（魁北克人工智能研究所） ； University of Montréal（蒙特利尔大学） ； HEC Montréal（蒙特利尔HEC商学院） ； University of Ottawa（渥太华大学） ； National Research Council of Canada（加拿大国家研究理事会） ； CIFAR AI Chair（CIFAR人工智能 chair） 纠错

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

AI总结 本文发现基于大语言模型的细胞扰动推理虽能生成生物上合理的解释，但实际预测性能差，并提出CORE方法通过对比证据组织来提升扰动特异性预测。

Cluster Analysis with Resampling for Validation and Exploration (CARVE)

基于重采样的聚类验证与探索分析（CARVE）

Kai R. Wycik, Tiffany M. Tang, Tarek M. Zikry, Genevera I. Allen

机构 * Department of Statistics, Columbia University, New York, NY, USA（哥伦比亚大学统计学系） ； Center for Theoretical Neuroscience, Zuckerman Mind Brain Behavior Institute, Columbia University, New York, NY, USA（哥伦比亚大学理论神经科学中心、Zuckerman思维-大脑-行为研究所） ； Department of Applied and Computational Mathematics and Statistics, University of Notre Dame, Notre Dame, IN, USA（诺丁汉大学应用与计算数学与统计学系） ； School of Data and Information Sciences, University of North Carolina at Chapel Hill, Chapel Hill, NC, USA（北卡罗来纳大学夏洛特分校数据与信息科学学院） ； Irving Institute for Cancer Dynamics, Columbia University, New York, NY, USA（哥伦比亚大学癌症动力学伊万·里弗斯研究所） 纠错

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

AI总结 提出CARVE开源软件包，通过重采样评估聚类稳定性和泛化性，在全局、簇和样本级别提供诊断，优于传统聚类验证指标。

EvoPool: Evolutionary Programmatic Annotation for Label-Efficient Specialized Supervision

EvoPool: 面向标签高效专业监督的进化式程序化标注

Tianyi Xu, Yaolun Zhang, Xuan Ouyang, Huazheng Wang

机构 * Oregon State University（俄勒冈州立大学） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校） 纠错

专题命中 生物医学文本 ：biomedical(abstract)

AI总结 提出进化多智能体框架EvoPool，通过程序化标注器迭代进化与投票聚合，在低标注成本下显著提升专业领域监督性能。

Comments 39 pages, 7 figures. Code: https://github.com/tianyi0216/EvoPool

UniD$^3$: A Knowledge Graph-Enhanced RAG Framework for Drug-Disease Discovery and Reasoning

UniD$^3$：一种用于药物-疾病发现与推理的知识图谱增强RAG框架

Qing Wang, Tianshi Liu, Minghao Zhou, Jialu Liang, Sen Guo, Guangyu Wang, Jing Su, Qianqian Song

机构 * Department of Health Outcomes and Biomedical Informatics, University of Florida（佛罗里达大学健康成果与生物医学信息学系） ； Department of Hematology, H. Lee Moffitt Cancer Center and Research Institute（血液科，H. Lee Moffitt癌症中心与研究院） ； Center for Bioinformatics and Computational Biology, Houston Methodist Research Institute（生物信息学与计算生物学中心，休斯顿方法主义研究学院） ； Department of Cardiothoracic Surgery, Weill Cornell Medicine, Cornell University（心胸外科，Weill Cornell医学，康奈尔大学） ； Department of Biostatistics and Health Data Science, Indiana University School of Medicine（生物统计学与健康数据科学系，印第安纳大学医学院） 纠错

专题命中 生物医学文本 ：biomedical(abstract)

AI总结 提出UniD$^3$框架，结合大语言模型与知识图谱增强检索生成（KG-RAG），从生物医学文献中提取、组织和验证药物-疾病知识，生成结构化数据集并提升推理可靠性。

Robust inference for risk heterogeneity under group imbalance

群体不平衡下风险异质性的稳健推断

Mengqi Xu, Subha Maity, Joel Dubin

专题命中 生物医学文本 ：biomedical(abstract)

AI总结 针对群体不平衡问题，提出基于Neyman正交性的风险异质性推断框架，通过局部不敏感估计量降低偏差并提高推断稳定性，在eICU数据库中发现标准方法无法检测的种族特异性风险异质性。

A Novel Data Augmentation Strategy for Robust Deep Learning Classification of Biomedical Time-Series Data: Application to ECG and EEG Analysis

一种用于生物医学时间序列数据鲁棒深度学习分类的新型数据增强策略：在ECG和EEG分析中的应用

Mohammed Guhdar, Ramadhan J. Mstafa, Abdulhakeem O. Mohammed

机构 * Computer Science Department, College of Science, University of Zakho（扎赫大学科学学院计算机科学系） ； Department of Computer Science and Information Technology, The American University of Kurdistan（库尔德斯坦美国大学计算机科学与信息技术系） ； PRIME Lab, Scientific Research Center, University of Zakho（扎赫大学科学研究中心PRIME实验室） 纠错

专题命中 健康监测 ：biomedical(title,abstract)；分类 cs.LG、eess.SP

AI总结 提出一种结合ResNet-CNN与注意力机制的统一深度学习框架，通过时域拼接多个增强变体的新型数据增强策略和Focal Loss处理类别不平衡，在ECG和EEG数据集上达到99.96%-100%的准确率，且内存需求低、推理速度快。

Truth, Trust, and Trouble: Medical AI on the Edge

真相、信任与麻烦：边缘上的医疗AI

Mohammad Anas Azeez, Rafiq Ali, Ebad Shabbir, Zohaib Hasan Siddiqui, Gautam Siddharth Kashyap, Jiechao Gao, Usman Naseem

机构 * Jamia Hamdard（贾迈亚哈姆达德大学） ； DSEU-Okhla ； Macquarie University（麦考瑞大学） ； Center for SDGC, Stanford University（SDGC中心，斯坦福大学） 纠错

专题命中 健康监测 ：medical AI(title)

AI总结 通过一个包含1000多个健康问题的基准测试框架，评估Mistral-7B、BioMistral-7B-DARE和AlpaCare-13B三个模型在诚实、有用性和无害性方面的表现，发现AlpaCare-13B准确率最高（91.7%）且无害性最佳（0.92），而领域微调可提升安全性，少样本提示能提高准确率，但复杂查询下有用性下降。

Comments Accepted at EMNLP 2025 (Industry Track)

FlowECG: Using Flow Matching to Create a More Efficient ECG Signal Generator

FlowECG：利用流匹配创建更高效的ECG信号生成器

Vitalii Bondar, Serhii Semenov, Vira Babenko, Dmytro Holovniak

机构 * Cherkasy State Technological University（切爾卡西州立科技大學） ； University of the National Education Commission（國家教育委員會大學） ； State Scientific Research Institute of Armament and Military Equipment Testing and Certification（軍事裝備測試和認證州科學研究 institutes） 纠错

专题命中 健康监测 ：medical AI(abstract)；分类 cs.LG、eess.SP

AI总结 提出FlowECG方法，采用流匹配替代扩散过程，通过连续流动力学学习噪声到数据分布的直连路径，在PTB-XL数据集上以更少的采样步数（10-25次）达到与扩散方法（200次）相当的生成质量，计算需求降低一个数量级。

Comments 8 pages, 2 figures, 1 table, reviewed version will be published in "Sensors, Devices and Systems 2025 Proceedings" (Springer's Lecture Notes in Electrical Engineering)

Incentives, Equilibria, and the Limits of Healthcare AI: A Game-Theoretic Perspective

激励、均衡与医疗AI的局限：博弈论视角

Ari Ercole

机构 * Cambridge Centre for AI in Medicine, University of Cambridge, UK（剑桥大学医学人工智能中心） ； Magdalene College, University of Cambridge, UK（剑桥大学玛格丽特学院） 纠错

专题命中 医学数据与评测 ：healthcare AI(title)

AI总结 本文通过住院容量管理的协调问题，描述三种AI部署形式，并分析其对系统行为的影响，指出只有改变激励结构的干预才能改变稳定均衡，为医疗AI的采购、治理和评估提供实践启示。

Benchmark Dataset for Catalysis on 2D MXenes

二维MXene催化基准数据集

Pavlo Melnyk, Anmar Karmush, Mårten Wadenbäck, Ania Beatriz Rodríguez-Barrera, Johanna Rosen, Michael Felsberg, Jonas Björk

机构 * Computer Vision and Learning Systems, Department of Electrical Engineering (ISY) & AI4X（计算机视觉与学习系统，电气工程系（ISY）及AI4X） ； Materials Design Division, Department of Physics, Chemistry and Biology (IFM)（材料设计分校，物理、化学与生物系（IFM）） ； Wallingenberg Initiative Materials Science for Sustainability (WISE)（瓦伦贝格可持续材料科学倡议（WISE）） 纠错

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

AI总结 通过结合第一性原理计算与机器学习，构建包含50000个DFT计算训练集和10000个测试集的数据集，训练并验证多种机器学习原子间势模型，实现约10^3倍加速且保持高精度，推动MXene催化行为的高效研究。

HR-VILAGE-3K3M: A Human Respiratory Viral Immunization Longitudinal Gene Expression Dataset for Systems Immunity

HR-VILAGE-3K3M：用于系统免疫学的人类呼吸道病毒免疫纵向基因表达数据集

Xuejun Sun, Yiran Song, Xiaochen Zhou, Ruilie Cai, Yu Zhang, Xinyi Li, Rui Peng, Jialiu Xie, Yuanyuan Yan, Muyao Tang, Prem Lakshmanane, Baiming Zou, James S. Hagood, Raymond J. Pickles, Didong Li, Fei Zou, Xiaojing Zheng

机构 * Department of Biostatistics University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校生物统计学系） ； Department of Epidemiology and Biostatistics University of South Carolina（南卡罗来纳大学流行病学与生物统计学系） ； Department of Pediatrics University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校儿科系） ； Department of Microbiology and Immunology University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校微生物学与免疫学系） 纠错

专题命中 医学数据与评测 ：pathology(abstract)；分类 cs.LG、q-bio

AI总结 为解决呼吸道病毒感染研究中转录组数据分散且处理不一致的问题，构建了包含3178名受试者、66项研究的HR-VILAGE-3K3M数据集，整合了疫苗接种、病毒接种和混合暴露的批量及单细胞转录组数据，并进行了统一的预处理和质量控制，以支持生物标志物发现、免疫机制研究和分析方法开发。

LL-Bench: Rethinking Low-Level Vision Evaluation in the Era of Large-Scale Generative Models

LL-Bench: 在大规模生成模型时代重新思考低级视觉评估

Lu Liu, Huiyu Duan, Chenxin Zhu, Jintong Lu, Haoyun Jiang, Liu Yang, Qiang Hu, Guangtao Zhai, Xiaoyun Zhang

机构 * Shanghai Jiao Tong University（上海交通大学） 纠错

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

AI总结 提出LL-Bench基准，包含大量真实退化图像和人工偏好标注，系统评估大规模生成模型在低级视觉任务中的性能，并引入LL-Score评估器以更好对齐人类偏好。

OmniHuman: A Large-scale Dataset and Benchmark for Human-Centric Video Generation

OmniHuman：面向以人为中心的视频生成的大规模数据集与基准

Lei Zhu, Xing Cai, Yingjie Chen, Yiheng Li, Binxin Yang, Hao Liu, Jie Chen, Chen Li, Jing LYu

机构 * Peking University（北京大学） ； WeChat Lab（微信实验室） ； Chinese Academy of Sciences（中国科学院） 纠错

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

AI总结 为解决现有数据集在场景多样性、交互建模和属性对齐方面的结构性缺陷，提出OmniHuman大规模多场景数据集及全自动标注流程，并建立OHBench三级评估体系，实现与人类感知高度一致的诊断。

Comments 19 pages, 6 figures

OncoReason: Structuring Clinical Reasoning in LLMs for Robust and Interpretable Survival Prediction

OncoReason: 在大语言模型中构建临床推理以实现稳健且可解释的生存预测

Raghu Vamshi Hemadri, Geetha Krishna Guruju, Kristi Topollai, Anna Ewa Choromanska

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

AI总结 提出统一多任务学习框架，通过监督微调、思维链提示和强化学习三种对齐策略，使自回归大语言模型在MSK-CHORD数据集上联合进行二元生存分类、连续生存时间回归和自然语言理由生成，实现可解释的生存预测。

Comments This manuscript is withdrawn to allow careful review and correction of bibliographic issues identified after submission, including references that could not be adequately verified. These matters should be resolved before further circulation

Update Opacity: Epistemic Accessibility and Governance Under AI System Change

更新不透明性：AI系统变更下的认知可及性与治理

Andrea Ferrario, Joshua Hatherley

机构 * Institute of Biomedical Ethics and History of Medicine, University of Zürich（伦理与医学史研究所，苏黎世大学） ； SUPSI, Dalle Molle Institute for Artificial Intelligence (IDSIA)（SUPSI，达勒莫利人工智能研究所） ； ETH Zürich（苏黎世联邦理工学院） ； Center for Philosophy of AI, University of Copenhagen（人工智能哲学中心，哥本哈根大学） 纠错

专题命中 其他医学AI ：medical AI(abstract)

AI总结 针对AI系统更新导致用户难以理解输出变化的问题，提出结合欧盟AI法案和机器学习运营的治理框架，通过可信度画像和阈值披露实现更新透明化。

Make Mechanistic Interpretability Auditable: A Call to Develop Guidelines via Continuous Collaborative Reviewing

使机制可解释性可审计：呼吁通过持续协作评审制定指南

Michael Lan, Narmeen Fatimah Oozeer, Chaithanya Bandi, Philip Quirke, Austin Meek, Fazl Barez, Amirali Abdullah

机构 * University of Delaware（德克萨斯大学） ； University of Oxford（牛津大学） ； ThoughtWorks 纠错

专题命中 其他医学AI ：medical AI(abstract)

AI总结 针对机制可解释性（MI）实验缺乏标准化审计系统的问题，提出通过持续协作评审平台、专家验证指南和基于来源的审计系统来建立可审计框架，以提升其在AI安全等高风险领域的可信度。

Comments Accepted at ACL 2026 main conference