医学 AI

ReclAIm: A Multi-Agent Framework for Monitoring and Correcting Performance Decline in Medical Imaging AI

ReclAIm：用于监测和纠正医学影像AI性能下降的多智能体框架

Eleftherios Tzanis, Michail E. Klontzas

机构 * Artificial Intelligence and Translational Imaging (ATI) Lab, Department of Radiology, School of Medicine, University of Crete（人工智能与转化成像实验室，放射科，医学院，希腊克里特大学） ； Computational Biomedicine Laboratory, Institute of Computer Science Foundation for Research and Technology Hellas (ICS - FORTH), Heraklion, Crete, Greece（计算生物医学实验室，希腊基础研究与技术院计算机科学研究所（ICS - FORTH），克里特，希腊） ； Division of Radiology, Department of Clinical Science, Intervention and Technology (CLINTEC), Karolinska Institute, Huddinge, Sweden（放射科，临床科学、干预与技术部（CLINTEC），卡罗林斯卡研究所，瑞典Huddinge） 纠错

专题命中 医学影像 ：MRI(abstract,abstract_cn)；CT(abstract,abstract_cn)；medical image(abstract)；radiology(comments)

AI总结 提出基于大语言模型的多智能体框架ReclAIm，通过自然语言交互自动监测医学图像分类模型性能下降并触发微调，采用数据增强、类别不平衡处理和参数锚定正则化策略，在多个数据集上验证了有效性。

Comments Published in Radiology: Artificial Intelligence (https://doi.org/10.1148/ryai.250923)

SegMoTE: Token-Level Mixture of Experts for Medical Image Segmentation

SegMoTE: 用于医学图像分割的令牌级混合专家模型

Yujie Lu, Jingwen Li, Sibo Ju, Yanzhou Su, he yao, Yisong Liu, Min Zhu, Junlong Cheng

机构 * Sichuan University（四川大学） ； Xinjiang University（新疆大学） ； Fuzhou University（福州大学） ； Alibaba DAMO Academy（阿里巴巴 DAMO 院） 纠错

专题命中 医学影像 ：medical image(title,abstract)；diagnosis(abstract)；分类 cs.CV

AI总结 提出SegMoTE框架，通过令牌级混合专家机制和渐进式提示令牌化，在极低标注成本下实现医学图像分割的跨模态自适应与SOTA性能。

Reformulating Energy Storage Capacity Accreditation Problem with Marginal Reliability Impact

以边际可靠性影响重新表述能源存储容量认证问题

Qian Zhang, Feng Zhao, Tongxin Zheng, Le Xie

专题命中 医学影像 ：MRI(summary_cn,abstract)

AI总结 本文通过边际可靠性影响（MRI）重新构建能源存储容量认证模型，提出直接计算MRI的方法，并探讨合格容量、存储调度规则等因素对认证的影响，为系统运营商和政策制定者提供实践指导。

Directed evolution algorithm drives neural prediction

定向进化算法驱动神经预测

Yanlin Wang, Nancy M Young, Patrick C M Wong

机构 * Brain and Mind institute, The Chinese University of Hong Kong（脑科学与智能技术研究所，香港中文大学） ； Department of Linguistics and Modern Languages, The Chinese University of Hong Kong（语言学与现代语言系，香港中文大学） ； Division of Otolaryngology, Ann & Robert H. Lurie Children's Hospital of Chicago（芝加哥安·罗伯特·H·卢里儿童医院耳鼻喉科） ； Department of Otolaryngology Head & Neck Surgery, Feinberg School of Medicine, Northwestern University（费因伯格医学院耳鼻喉科与头颈外科部，西北大学） ； Knowles Hearing Center, Department of Communication Sciences and Disorders, Northwestern University（诺里斯听力中心，西北大学沟通科学与障碍系） 纠错

专题命中 医学影像 ：MRI(abstract,abstract_cn)；分类 cs.LG

AI总结 提出定向进化模型(DEM)，模拟生物定向进化试错过程，结合回放缓冲和连续反向传播，在跨域神经预测中提升泛化能力并解决标签稀缺问题。

Comments 43 pages, 5 figures

Beyond Output Matching: Preserving Internal Geometry in NVFP4 LLM Distillation

超越输出匹配：在NVFP4 LLM蒸馏中保留内部几何结构

Fangbo Tu, Junhua Zhao, Chi Liu, Xin Chen, Haifeng Wu, Jian Wan, Srinivasan Manoharan

机构 * Fangbo Tu（图方波） ； Junhua Zhao（赵俊华） ； Chi Liu（刘驰） ； Xin Chen（陈新） ； Haifeng Wu（吴海峰） ； Jian Wan（万健） ； Srinivasan Manoharan（曼纳哈兰） 纠错

专题命中 诊断辅助 ：diagnosis(abstract)；分类 cs.LG

AI总结 针对NVFP4低精度量化蒸馏中仅输出匹配导致内部表示退化的问题，提出CKA-QAD方法，通过CKA引导的层间Gram矩阵对齐保留内部几何结构，提升推理和编码任务准确率。

Comments 13 pages,1 figures

Multi-Agent Reasoning with Consistency Verification Improves Uncertainty Calibration in Medical MCQA

基于一致性验证的多智能体推理改进医学多项选择题问答中的不确定性校准

John Ray B. Martinez

机构 * Department of Data Science and Analytics（数据科学与分析系） 纠错

专题命中 诊断辅助 ：diagnosis(abstract)；分类 cs.LG

AI总结 提出多智能体框架，结合领域专家智能体与两阶段验证及S分数加权融合，在医学MCQA中显著降低校准误差并提升判别能力。

Comments 20 pages, 6 figures. Preprint under review

Debugging the Debuggers: Failure-Anchored Structured Recovery for Software Engineering Agents

调试调试器：面向软件工程智能体的失败锚定结构化恢复

Chenyu Zhao, Shenglin Zhang, Yihang Lin, Wenwei Gu, Zhimin Chen, Yongqian Sun, Dan Pei, Chetan Bansal, Saravan Rajmohan, Minghua Ma

机构 * Nankai University（南开大学） ； Tsinghua University（清华大学） ； Microsoft（微软） 纠错

专题命中 诊断辅助 ：diagnosis(abstract)

AI总结 提出PROBE框架，通过遥测层、诊断层和指导门将运行时证据转化为结构化恢复指导，在代码修复、工作流恢复等场景中诊断准确率65.37%，恢复率21.79%。

A Generalized Richardson Number Diagnostic for Turbulence in the Free Atmosphere

自由大气中湍流的广义里奇蒙数诊断

Mohamed Foudad, Miguel A. C. Teixeira, Paul D. Williams, Thorsten Kaluza

专题命中 诊断辅助 ：diagnosis(abstract)

AI总结 本文提出新的里奇蒙数Ri_new，通过考虑水平和垂直剪切，改进自由大气湍流诊断，实验证明其在多个阈值下表现更优，尤其在水平剪切显著区域。

Comments This article is under review in Journal of the Atmospheric Sciences

Symb-xMIL: Symbolic Explanations for Multiple Instance Learning in Digital Pathology

Symb-xMIL: 数字病理学中多实例学习的符号解释

Yanqing Luo, Julius Hense, Niklas Prenißl, Andreas Mock, Klaus-Robert Müller, Thomas Schnake, Mina Jamshidi Idaji

机构 * Berlin Institute for the Foundations of Learning and Data（柏林学习与数据基础研究院） ； Machine Learning Group, Technische Universität Berlin（柏林技术大学机器学习组） ； Institute of Pathology, Charité Universitätsmedizin（查理研究所病理学部） ； Berlin Institute of Health at Charité – Universitätsmedizin Berlin, BIH Biomedical Innovation Academy, BIH Charité Digital Clinician Scientist Program（柏林查理医学研究院健康研究所、BIH生物医学创新学院、BIH查理数字临床科学家项目） ； Institute of Pathology, Ludwig Maximilian University of Munich（慕尼黑路德维希-马克西米利安大学病理学部） ； Division of Translational Medical Oncology, DKFZ（转化医学肿瘤学部，德国有机化学研究所） ； German Cancer Consortium (DKTK), partner site Munich, a partnership between DKFZ and Ludwig-Maximilians-Universität München (LMU)（德国癌症联盟（DKTK），慕尼黑合作伙伴站点，由DKFZ和路德维希-马克西米利安-慕尼黑大学（LMU）组成） ； Department of Artificial Intelligence, Korea University（韩国大学人工智能系） ； Max-Planck Institute for Informatics, Saarbrücken, Germany（马克斯·普朗克信息学院，萨尔布吕肯，德国） ； Department of Chemistry, Chemical Physics Theory Group, University of Toronto（多伦多大学化学系，化学物理理论组） ； Vector Institute for Artificial Intelligence, Toronto, Canada（多伦多人工智能矢量研究所） ； Acceleration Consortium, University of Toronto（多伦多大学加速联盟） 纠错

专题命中 病理影像 ：pathology(title)；分类 cs.CV、cs.LG

AI总结 提出Symb-xMIL框架，通过量化模型行为与可读决策规则（逻辑关系）的对齐程度，为多实例学习提供结构化的符号解释，并在合成和真实病理数据上验证其有效性。

Comments 23 pages, 18 figures

LLM-Conditioned Synthesis of Pathological Gaits via Structured Gait-Language Representations

基于结构化步态-语言表示的LLM条件病理步态合成

Mritula Chandrasekaran, Sanket Kachole, Jarek Francik, Dimitrios Makris

机构 * University of California, Berkeley（加州大学伯克利分校） ； Stanford University（斯坦福大学） ； University of Toronto（多伦多大学） ； MIT Media Lab（麻省理工学院媒体实验室） 纠错

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

AI总结 提出一种多模态LLM引导框架，通过结构化文本描述合成病理步态3D数据，利用运动标记化、病理感知语言条件、LLM语义增强和语言到步态生成，改善下游分类性能。

Comments Accepted at CVPR MOMA Workshop 2026 and selected for spotlight presentation at the workshop