医学 AI

Closed-loop coupling of personalised and foundation models for real-time treatment guidance with MRI

个性化模型与基础模型的闭环耦合用于MRI实时治疗引导

James Grover, Emily A. Hewson, Andrew Phair, Michael Ferraro, Hilary L. Byrne, Paul Keall, Michael G. Jameson, David E. J. Waddington

机构 * Image X Institute, Sydney School of Health Sciences, Faculty of Medicine and Health, The University of Sydney, Sydney, Australia（悉尼大学医学与健康学院悉尼健康科学学院Image X研究所，悉尼，澳大利亚） ； GenesisCare, Sydney, Australia（GenesisCare，悉尼，澳大利亚） ； School of Clinical Medicine, Medicine & Health, University of New South Wales, Sydney, Australia（新南威尔士大学医学与健康学院临床医学系，悉尼，澳大利亚） ； Centre for Medical Radiation Physics, School of Mathematics and Physics, University of Wollongong, Wollongong, Australia（伍伦贡大学数学与物理学院医学辐射物理中心，伍伦贡，澳大利亚） 纠错

专题命中 医学影像 ：MRI(title,title_cn)；分类 cs.CV

AI总结 提出一种闭环耦合框架，结合个性化时间预测模型与基础模型的连续分割解剖解释，实时补偿MRI引导治疗中的成像延迟，在400毫秒预测范围内改善解剖预测并减少剂量误差。

Comments 18 pages, 8 figures, 2 supplementary figures

PSCT-Net: Geometry-Aware Pediatric Skull CT Reconstruction via Differentiable Back-Projection and Attention-Guided Refinement

PSCT-Net: 通过可微反投影和注意力引导细化实现几何感知的儿科颅骨CT重建

Dong Yeong Kim, Jaewon Choi, Youmin Shin, JunGyu Lee, Myeongseop Kim, Jinwook Choi, Joo Whan Kim, Young-Gon Kim

机构 * Interdisciplinary Program in Bioengineering, Seoul National University（首尔大学生物工程跨学科项目） ； Department of Transdisciplinary Medicine, Seoul National University Hospital（首尔大学医院跨学科医学系） ； Department of Artificial Intelligence, Yonsei University（延世大学人工智能系） ； Department of Medicine, Seoul National University College of Medicine（首尔大学医学院医学系） ； Healthcare AI Research Institute, Seoul National University Hospital（首尔大学医院医疗人工智能研究所） 纠错

专题命中 医学影像 ：CT(title,title_cn)；分类 cs.CV

AI总结 提出PSCT-Net，利用可微反投影建立空间先验，结合注意力引导投影和双向Mamba模块，从稀疏双平面X射线重建3D CT，缓解深度模糊并改善骨边界。

Comments 11pages, 5 figures

Joint Medical Image Enhancement and Segmentation with Diffusion-based Symbiotic Information Interaction

基于扩散的共生信息交互的联合医学图像增强与分割

Ying Chen, Jinyue Li, Qiankun Li

机构 * Shenzhen Research Institute, The Chinese University of Hong Kong（香港中文大学深圳研究院） ； University of Science and Technology of China（中国科学技术大学） ； Imperial Global Singapore, Imperial College London（伦敦帝国学院新加坡分校） 纠错

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

AI总结 提出DiSIINet，利用扩散模型和共生信息交互模块，在统一框架中实现图像增强与分割的相互促进，在多模态医学图像上取得显著性能提升。

Comments Accepted by IJCAI 2026

AnF-DiffPET: Anatomy- and Frequency-Guided Diffusion for PET/CT Denoising

AnF-DiffPET: 用于PET/CT去噪的解剖与频率引导扩散

Xuepeng Liu, Ruili Li, Zetong Liu, Renyiming Li, Yan Li, Yin Dai, Chao Li, Yueyang Teng

机构 * College of Medicine and Biological Information Engineering, Northeastern University（东北大学医学与生物信息工程学院） ； Tohoku University School of Medicine（东北大学医学院） ； Department of Clinical Neurosciences, University of Cambridge（剑桥大学临床神经科学系） 纠错

专题命中 医学影像 ：CT(title,title_cn)；分类 cs.CV

AI总结 提出AnF-DiffPET框架，通过解剖-频率引导、多尺度交叉变换重建和频率对比硬挖掘，解决低剂量PET去噪中的解剖引导不足、多尺度特征传播不稳定和频域恢复不确定性问题，在多个数据集上优于现有方法。

Comments 11 pages, 8 figures, 3 tables

ENSAM: an efficient foundation model for interactive segmentation of 3D medical images

ENSAM：一种高效的交互式3D医学图像分割基础模型

Elias Stenhede, Agnar Martin Bjørnstad, Arian Ranjbar

机构 * Akershus University Hospital（阿克什胡斯大学医院） 纠错

专题命中 医学影像 ：medical image(title,abstract)；MRI(abstract)；CT(abstract)；biomedical(abstract)

AI总结 ENSAM结合SegResNet编码器、提示编码器和掩码解码器，通过潜在交叉注意力、相对位置编码等技术，在有限数据和算力下实现高效3D医学图像分割，优于现有基线模型。

Stacked Ensemble Learning for Abdominal Aortic Aneurysm Segmentation in CT Angiography

堆叠集成学习用于CT血管造影中腹主动脉瘤分割

Joshua Fry, Sajjad Arzemanzadeh, Saeideh Sekhavat, Mostafa Jamshidian, Adam Wittek, Michael Bertolacci, Elke R. Gizewski, Eva Gassner, Alexander Loizides, Maximillian Lutz, Florian K. Enzmann, Karol Miller

专题命中 医学影像 ：CT(title,title_cn)

AI总结 针对CT血管造影中腹主动脉瘤分割，提出堆叠集成框架，结合三个nnUNetv2基学习器和L2正则化逻辑回归元模型，在测试集上Dice系数达0.9752，分离距离0.4598 mm，显著提升边界精度。

Comments 14 pages

High-dimensional Embedding Prior for Noisy K-space Domain MRIReconstruction

高维嵌入先验用于噪声k空间域MRI重建

Yu Guan, Tianjia Huang, Qinrong Cai, Qiuyun Fan, Dong Liang, Qiegen Liu

机构 * School of Advanced Manufacturing, Nanchang University（南昌大学先进制造学院） ； School of Mathematics and Computer Science, Nanchang University（南昌大学数学与计算机科学学院） ； School of Information Engineering, Nanchang University（南昌大学信息工程学院） ； Academy of Medical Engineering and Translational Medicine, Medical School, Faculty of Medicine, Tianjin University（天津大学医学部医学工程与转化医学研究院） ； Shenzhen Institute of Advanced Technology, Chinese Academy of Sciences（中国科学院深圳先进技术研究院） 纠错

专题命中 医学影像 ：MRI(title_cn,summary_cn)；分类 cs.CV

AI总结 针对噪声k空间MRI重建，提出高维嵌入框架增强扩散模型表示能力，在多种噪声和欠采样条件下提升重建质量，尤其在高噪声场景效果显著。

GRAPE: Graph-Augmented Prototype Explanations for Interactive Medical Image Diagnosis

GRAPE: 面向交互式医学影像诊断的图增强原型解释

Rasul Khanbayov, Erchin Serpedin, Hasan Kurban

机构 * Hamad Bin Khalifa University（哈马德·本·哈利法大学） 纠错

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

AI总结 提出GRAPE架构，通过图注意力任务头建模概念共现提升分类性能，引入概念不匹配安全检查防止错误反馈，并利用开放词汇原型锚定支持从单张图像添加新发现，无需重新训练。

Does Your ViT Still Need U-Net for Segmentation?

你的ViT做分割还需要U-Net吗？

Xin Li, Wenhui Zhu, Xuanzhao Dong, Xiwen Chen, Yanxi Chen, Yujian Xiong, Hao Wang, Oana M. Dumitrascu, Yalin Wang

机构 * Arizona State University（亚利桑那州立大学） ； Clemson University（克莱姆森大学） ； Mayo Clinic（梅奥诊所） 纠错

专题命中 医学影像 ：MRI(abstract,abstract_cn)；CT(abstract,abstract_cn)；medical image(abstract)；分类 cs.CV

AI总结 本文探究现代ViT骨干网络下医学图像分割是否仍需U-Net解码器，并提出基于查询的纯编码器分割框架EoSeg，在多个数据集上取得优异性能。

Comments 8 pages, 4 figures

Foundation Models vs. Radiomics for Lung Computed Tomography: A Benchmark of Feature Extractors, Classification Heads, and Segmentation Choices

基础模型与放射组学在肺部计算机断层扫描中的比较：特征提取器、分类头和分割选择的基准测试

Nils Neukirch, Martin Maurer, Nils Strodthoff

机构 * Division AI4Health, Carl von Ossietzky Universität Oldenburg（奥尔登堡卡尔·冯·奥西茨基大学AI4Health部门） ； University Institute for Diagnostic and Interventional Radiology, Klinikum Oldenburg AöR（奥尔登堡医院大学诊断与介入放射学研究所） 纠错

专题命中 医学影像 ：CT(summary_cn,abstract)；分类 cs.CV、cs.LG

AI总结 本研究通过基准测试五种特征提取器、七种分类头和三种分割策略，评估基础模型与放射组学在CT肺癌表型分析中的性能，发现最优设计取决于任务，推荐Curia结合肿瘤分割和CatBoost分类头作为安全默认方案。

Comments 17 pages, 8 figures, 2 tables, Code is available at https://github.com/AI4HealthUOL/lung-ct-benchmarking

Novel adaptation of video segmentation to 3D MRI: efficient zero-shot knee segmentation with SAM2

视频分割在3D MRI中的新应用：高效的零样本膝关节分割与SAM2

Andrew Seohwan Yu, Mohsen Hariri, Xuecen Zhang, Mingrui Yang, Vipin Chaudhary, Xiaojuan Li

机构 * Case Western Reserve University（凯斯西储大学） ； Cleveland Clinic（克利夫兰诊所） 纠错

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

AI总结 本文提出利用SAM2模型实现零样本3D膝关节MRI分割，通过将医学切片视为视频帧，无需额外训练即可高效分割，实验显示在OAI-ZIB数据集上取得高精度结果。

Journal ref Proc. SPIE 13411, Medical Imaging 2025: Imaging Informatics, 134110D (10 April 2025)

Active View Selection with Perturbed Gaussian Ensemble for Tomographic Reconstruction

基于扰动高斯集成的主动视角选择用于层析重建

Yulun Wu, Ruyi Zha, Wei Cao, Yingying Li, Yuanhao Cai, Yaoyao Liu

机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Australian National University（澳大利亚国立大学） ； Johns Hopkins University（约翰霍普金斯大学） 纠错

专题命中 医学影像 ：CT(summary_cn,abstract)；分类 cs.CV

AI总结 针对稀疏视角CT重建中视角选择问题，提出扰动高斯集成框架，通过不确定性建模和密度引导扰动选择最优视角，有效消除几何伪影。

Comments Accepted to ECCV 2026. Project page: https://perturbed-gaussian-ensemble.cvmlgroup.web.illinois.edu/

MedCAGD: Context-Aware Gated Decoder for Efficient Medical Image Segmentation

MedCAGD：用于高效医学图像分割的上下文感知门控解码器

Saad Wazir, Patrick Dominique Vibild, Dinh Phu Tran, Seongah Kim, Daeyoung Kim

机构 * School of Computing, Korea Advanced Institute of Science and Technology (KAIST)（韩国科学技术院计算学院） ； Department of Energy, Aalborg University（奥尔堡大学能源系） 纠错

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

AI总结 提出一种上下文感知门控解码器，通过轻量多尺度通道重校准、门控跳跃融合和全局上下文聚合机制，有效利用预训练编码器特征，在11个基准上优于强基线。

Comments Accepted at the European Conference on Computer Vision (ECCV 2026)

Concept Alignment Contrast and Long-Short Prompt Memory for Test-Time Adaptation of SAM3 in Medical Image Segmentation

概念对齐对比与长短提示记忆用于SAM3在医学图像分割中的测试时自适应

Yubo Zhou, Jianghao Wu, Ping Ye, Shaoting Zhang, Guotai Wang

机构 * University of Electronic Science and Technology of China（电子科技大学） ； Faculty of Information Technology, Monash University（莫纳什大学信息技术学院） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） 纠错

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

AI总结 提出CM-TTA框架，通过概念对齐对比（CAC）度量选择最佳增强视图作为监督，并设计长短提示记忆（LSPM）模块平衡快速与稳定自适应，显著提升SAM3在医学图像分割中的测试时性能。

RF-HiT: Rectified Flow Hierarchical Transformer for General Medical Image Segmentation

RF-HiT：校正流分层变换器用于通用医学图像分割

Ahmed Marouane Djouamaa, Abir Belaala, Abdellah Zakaria Sellam, Salah Eddine Bekhouche, Cosimo Distante, Abdenour Hadid

机构 * Computer Science department Mohamed Khider University Biskra, Algeria ； ISASI, CNR \& University of Salento 73100 Lecce, Italy ； AI University of the Basque Country (UPV/EHU), Spain ； Sorbonne Center for Artificial Intelligence, Sorbonne University Abu Dhabi, UAE 纠错

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

AI总结 RF-HiT通过整合hourglass变换器骨干和多尺度分层编码器，实现高效的医学图像分割，在保持精度的同时提升效率，达到91.27%的Dice系数。

MediRound: Multi-Round Entity-Level Reasoning Segmentation in Medical Images

MediRound：医学图像中的多轮实体级推理分割

Qinyue Tong, Ziqian Lu, Jun Liu, Rui Zuo, Zheming Lu, Yueming Jin

机构 * Zhejiang University（浙江大学） ； Zhejiang Sci-Tech University（浙江理工大学） ； National University of Singapore（新加坡国立大学） 纠错

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

AI总结 提出多轮实体级医学推理分割任务MEMR-Seg，构建大规模数据集MR-MedSeg，并设计基线模型MediRound，通过判断与纠正机制缓解错误传播，在医学教育场景中优于传统方法。

Comments In this version, we have improved some suboptimal expressions in the manuscript and completed the authors' information, such as ORCID IDs

Enhancing Prostate Cancer Segmentation for Multi-Domain Generalization using a novel Parallel-Route Coherent Mixup Regularization Training

使用新颖的并行路由连贯混合正则化训练增强前列腺癌分割的多域泛化能力

Josiah Simeth, Sudharsan Madhavan, Victoria Brennan, Sean McBride, James Janopaul-Naylor, Justin Haseltine, Daniel Gorovets, Himanshu Nagar, Neelam Tyagi, Harini Veeraraghavan

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

AI总结 提出并行路由连贯混合（PaRC-mix）训练方法，通过多网络层特征增强实现单源到多域泛化，在前列腺癌病灶分割中显著提升检测精度和泛化性能。

Comments 28 pages, 5 figures

TRCGL-Net: A Long-Tailed Multi-Label Chest X-Ray Classification Framework with Generative Data Augmentation and Label Co-Occurrence Modeling

TRCGL-Net：基于生成式数据增强和标签共现建模的长尾多标签胸部X光分类框架

Tong Shao, Hongshun Ling, Li Zhang, Jinjing Wu, Junke Wang, Yuan Gao, Fang Wang

机构 * School of Biomedical Engineering, South-Central Minzu University（中南民族大学生物医学工程学院） 纠错

专题命中 医学影像 ：pathology(abstract)；diagnosis(abstract)；分类 cs.CV

AI总结 针对胸部X光多标签分类中的长尾分布问题，提出TRCGL-Net，利用可学习文本引导扩散模型生成尾部类样本、通道重加权和类别注意力机制增强特征，以及基于标签共现的图卷积网络建模类别关系，在PadChest数据集上尾部类mAP达0.4904。

ClinRAG-GRAPH: Clinical-prior Retrieval-Augmented Graph Model with Domain Adversarial Learning for Breast pCR Prediction

ClinRAG-GRAPH: 基于临床先验的检索增强图模型与领域对抗学习用于乳腺癌pCR预测

Yaofei Duan, Yuhao Huang, Tianyu Zhang, Yuan Gao, Luyi Han, Xin Wang, Xinyu Xie, Xinglong Liang, Chunyao Lu, Muzhen He, Patrick Pang, Yue Sun, Ning Mao, Tao Tan, Ritse Mann

机构 * Department of Medical Imaging, Radboud University Medical Center, Nijmegen, The Netherlands（拉德堡德大学医学中心医学影像科，奈梅亨，荷兰） ； The Netherlands Cancer Institute, Amsterdam, The Netherlands（荷兰癌症研究所，阿姆斯特丹，荷兰） ； Faculty of Applied Sciences, Macao Polytechnic University, Macau, China（澳门理工大学应用科学学院，澳门，中国） ； Boston Children’s Hospital, Harvard Medical School, Boston, USA（波士顿儿童医院，哈佛医学院，波士顿，美国） ； Centre for Artificial Intelligence and Robotics, Hong Kong Institute of Science & Innovation, Chinese Academy of Sciences, Hong Kong, China（中国科学院香港创新研究院人工智能与机器人创新中心，香港，中国） ； Imaging Division, University Medical Center Utrecht, Utrecht, The Netherlands（乌得勒支大学医学中心影像部，乌得勒支，荷兰） ； Department of Radiology, Fuzhou University Affiliated Provincial Hospital, Fuzhou, China（福州大学附属省立医院放射科，福州，中国） ； Department of Radiology, Yantai Yuhuangding Hospital, Shandong, China（烟台毓璜顶医院放射科，山东，中国） 纠错

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

AI总结 提出ClinRAG-GRAPH框架，通过构建患者内临床先验图、双分支领域对抗学习和大语言模型驱动的子图检索增强模块，实现术前pCR预测，在内部和外部测试集上取得良好性能。

Comments 11 pages, 5 figures

OSCAR: Occupancy-based Shape Completion via Acoustic Neural Implicit Representations

OSCAR: 基于占用率的声学神经隐式表示形状补全

Magdalena Wysocki, Kadir Burak Buldu, Miruna-Alexandra Gafencu, Mohammad Farid Azampour, Nassir Navab

机构 * Chair for Computer Aided Medical Procedures (CAMP) Technical University of Munich（慕尼黑工业大学计算机辅助医疗程序教席（CAMP）） ； Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心（MCML）） ； Konrad Zuse School of Excellence in Reliable AI (relAI)（康拉德·楚泽可靠人工智能卓越学校（relAI）） 纠错

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

AI总结 提出基于占用率的形状补全方法，利用声学神经隐式表示从部分超声观测中重建完整3D解剖结构，无需标签，在HD95指标上优于现有方法80%。

Weak-coupling tensor cross interpolation impurity solver for nonequilibrium dynamical mean-field theory

非平衡动力学平均场理论的弱耦合张量交叉插值杂质求解器

Shuta Matsuura, Hiroshi Shinaoka, Philipp Werner, Naoto Tsuji

专题命中 医学影像 ：CT(abstract,abstract_cn)

AI总结 提出基于弱耦合展开和张量交叉插值的非平衡杂质求解器，避免随机采样，缓解符号问题，在Hubbard模型中准确再现热化行为，并适用于稳态DMFT。

Comments 30 pages, 19 figures

Dependence of charge separation efficiency on the exciton-charge transfer offset and Gaussian disorder in organic solar cells

有机太阳能电池中电荷分离效率对激子-电荷转移偏移和高斯无序的依赖性

Maik Schwuchow, Carsten Deibel, Angela Thränhardt

专题命中 医学影像 ：CT(abstract,abstract_cn)

AI总结 研究低偏移有机太阳能电池中电荷分离效率与激子-电荷转移能级偏移及高斯无序的关系，通过宏观速率模型与三维动力学蒙特卡罗模拟对比，发现无序在中等和低偏移下可显著提升效率。

Comments 9 pages excluding bibliography, 6 figures

Sampled-data Systems: Stability, Contractivity and Single-iteration Suboptimal MPC

采样数据系统：稳定性、收缩性与单次迭代次优MPC

Yiting Chen, Francesco Bullo, Emiliano Dall'Anese

专题命中 医学影像 ：CT(abstract,abstract_cn)

AI总结 本文分析连续时间与离散时间系统通过采样和零阶保持耦合的稳定性，引入约化模型概念，证明当约化模型收缩时存在阈值采样周期保证指数稳定性，并利用小增益定理在双方收缩条件下证明互联系统的指数稳定性，为单次迭代次优MPC提供理论支持。

Comments Accepted for publication in IEEE Transactions on Automatic Control

Mirror-Fusion Attention for Reflection-Aware Self-Supervised Representation Learning

镜像融合注意力用于反射感知的自监督表示学习

Ruixin Li, Jin Liu, Yuling Shi, Stefano Lodi

机构 * University of Bologna（博洛尼亚大学） ； Jilin University（吉林大学） ； Shanghai Jiao Tong University（上海交通大学） 纠错

专题命中 医学影像 ：medical image(abstract)；分类 cs.CV、cs.LG

AI总结 提出MFASSL框架，通过镜像融合注意力模块在自监督学习中注入软反射先验，提升医学图像和人脸等近似对称数据的下游性能与鲁棒性。

Comments Accepted at ECML PKDD 2026. The final authenticated version will be available in the Springer LNCS proceedings

Prototype Memory-Guided Training-Free Anomaly Classification and Localization in Prenatal Ultrasound

原型记忆引导的无训练产前超声异常分类与定位

Huanwen Liang, Yuhao Huang, Xiliang Zhu, Yuanji Zhang, Xuedong Deng, Xinru Gao, Guowei Tao, Yuhan Zhang, Dong Ni

机构 * Medical Ultrasound Image Computing (MUSIC) Lab, Shenzhen University（深圳大学医学超声图像计算实验室） ； School of Biomedical Engineering, Medical School, Shenzhen University（深圳大学医学部生物医学工程学院） ； School of Artificial Intelligence, Shenzhen University（深圳大学人工智能学院） ； School of Biomedical Engineering and Informatics, Nanjing Medical University（南京医科大学生物医学工程与信息学院） ； Centre for Artificial Intelligence and Robotics, Hong Kong Institute of Science & Innovation, Chinese Academy of Sciences（中国科学院香港创新研究院人工智能与机器人创新中心） ； Shenzhen Luohu People’s Hospital (The Third Affiliated Hospital of Shenzhen University)（深圳市罗湖区人民医院（深圳大学第三附属医院）） ； Center for Medical Ultrasound, The Affiliated Suzhou Hospital of Nanjing Medical University, Suzhou Municipal Hospital, Nanjing Medical University（南京医科大学附属苏州医院（苏州市立医院）医学超声中心） ； Northwest Women’s and Children’s Hospital（西北妇女儿童医院） ； Qilu Hospital of Shandong University（山东大学齐鲁医院） 纠错

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

AI总结 提出一种无需训练的多类产前超声异常分类与定位框架，利用多粒度原型记忆库、原型驱动软合并和类别感知细化策略，在少量参考图像下实现高效检测。

Comments Accepted by MICCAI2026

Controllable Diffusion-Based Lesion Inpainting for Scalable Histopathology Data Augmentation

基于可控扩散的病灶修复用于可扩展的组织病理学数据增强

Mohamad Koohi-Moghadam, Mohammad-Ali Nikouei Mahani, Rex K. H. Au-Yeung, Raymond Yu O, Monalyn Marabi, Piyapharom Intarawichian, Fabian Z. X. Lean, Andrew Ferguson, Kyongtae Tyler Bae

机构 * Department of Diagnostic Radiology, Li Ka Shing Faculty of Medicine, The University of Hong Kong（香港大学李嘉诚医学院诊断放射学系） ； Department of Pathology, Li Ka Shing Faculty of Medicine, The University of Hong Kong（香港大学李嘉诚医学院病理学系） ； Department of Anatomical and Cellular Pathology, Prince of Wales Hospital, The Chinese University of Hong Kong（香港中文大学威尔斯亲王医院解剖及细胞病理学系） ； Department of Infectious Diseases and Public Health, Jockey Club College of Veterinary Medicine and Life Sciences, City University of Hong Kong（香港城市大学赛马会动物医学及生命科学院传染病及公共卫生学系） ； CityU Veterinary Diagnostic Laboratory Co., Ltd., City University of Hong Kong（香港城市大学城市大学兽医诊断实验室有限公司） 纠错

专题命中 医学影像 ：pathology(abstract)；分类 cs.CV

AI总结 提出PathoGen扩散模型，将病灶可控地修复到良性组织图像中，生成高保真形态，在四个数据集上优于基线，病理专家区分真假仅略高于随机（57.75%），数据增强使分割Dice提升最高0.18。

Comments 19 pages, 5 figures, 1 Table

SWE-Doctor: Guiding Software Engineering Agents with Runtime Diagnosis from Multi-Faceted Bug Reproduction Tests

SWE-Doctor: 通过多面缺陷复现测试的运行时诊断引导软件工程智能体

Yaoqi Guo, Yang Liu, Jie M. Zhang, Yun Ma, Yiling Lou, Zhenpeng Chen

专题命中 临床大模型 ：diagnosis(title,abstract)

AI总结 提出SWE-Doctor，通过生成多面缺陷复现测试并执行调试，构建运行时诊断记录，结合定位信息指导补丁生成，在SWE-bench Verified和Pro上平均解决率分别达75.7%和59.4%。

Predicting Lethal Outcome (Cause) And Understanding Key Biomarkers Linked With Acute Myocardial Infarction Using Deep Artificial Neural Network And Ensemble Of Machine Learning Methodologies

使用深度人工神经网络和集成机器学习方法预测急性心肌梗死的致命结果（原因）并理解关键生物标志物

Sagnik Ghosh

专题命中 临床大模型 ：diagnosis(abstract)；分类 cs.CV、cs.LG、eess.IV

AI总结 提出一种结合深度人工神经网络与集成机器学习（逻辑回归、随机森林、Light-GBM、Bagging SVM）的自动化模型，用于预测急性心肌梗死致命结果并识别关键生物标志物，旨在提高诊断速度和准确性。

Comments Master of Science (MSc), Thesis Report

RareDxR1: Autonomous Medical Reasoning for Rare Disease Diagnosis Beyond Human Annotation

RareDxR1：超越人类标注的罕见病诊断自主医学推理

Deyang Jiang, Haoran Wu, Ziyi Wang, Yiming Rong, Yunlong Zhao, Ye Jin, Bo Xu

专题命中 诊断辅助 ：diagnosis(title,abstract)

AI总结 提出端到端推理大模型RareDxR1，通过知识内化与自主进化学习框架，结合反思增强推理采样和双级课程强化学习，直接从非结构化临床笔记诊断罕见病，无需依赖结构化表型或人类标注，在多个基准上达到最先进准确率。

Comments 7 pages, 3 figures. Accepted to IEEE International Conference on Multimedia and Expo (ICME) 2026

Rethinking Multi-Label Image Classification With Deep Learning: Taxonomy, Challenge, and Outlook

重新思考基于深度学习的多标签图像分类：分类法、挑战与展望

Xuelin Zhu, Xiu-Shen Wei, Jiawei Ge, Shuai Xu, Bing Wang

机构 * The Hong Kong Polytechnic University（香港理工大学） ； Southeast University（东南大学） ； Nanjing University of Aeronautics and Astronautics（南京航空航天大学） 纠错

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

AI总结 本文综述了基于深度学习的多标签图像分类方法，将其分为六类，并总结了关键挑战与未来研究方向。