HAL: Inducing Human-likeness in LLMs with Alignment
HAL: 通过对齐引导LLM的人类相似性
机构 * University of Rochester（罗切斯特大学）
专题命中 诊断辅助 ：diagnosis(abstract)；分类 cs.LG
AI总结 提出HAL框架，利用可解释的数据驱动奖励信号，通过对比对话数据提取显式会话特征并优化偏好，使模型在对话中更常被视为类人，同时保持整体性能。
科学与医疗
医学 AI
医学智能、临床 AI、医学影像、病理、诊断和医疗健康大模型。
1. 诊断辅助 12 篇
Value-of-Information Analysis for External Validation of Risk Prediction Models in Multicenter Studies and Systematic Reviews
多中心研究和系统综述中风险预测模型外部验证的信息价值分析
专题命中 诊断辅助 ：diagnosis(abstract)
AI总结 针对多中心研究和Meta分析中预测模型净收益的不确定性，扩展预期完美信息价值（EVPI）方法以考虑中心间异质性，并通过卵巢癌诊断ADNEX模型的36中心系统综述进行实证。
Three Futures for the Diagnostic Radiologist: A Structured Disagreement About What AI Actually Changes
诊断放射科医生的三种未来：关于AI实际改变内容的结构性分歧
专题命中 诊断辅助 ：radiology(abstract)
AI总结 本文通过三位专家（两位放射科医生和一位医疗影像IT专家）基于共享模板独立撰写的2035年诊断放射科医生职位描述，探讨AI对放射科医生角色的影响，发现三方在方向一致但程度分歧，AI不会消除该职业，但会扩展、集中或分层取决于未做出的选择。
How Indian Dermatologists are Utilizing Artificial Intelligence for Clinical Practice and Workflow Management: A Nationwide Survey with a Special Focus on atopic dermatitis
印度皮肤科医生如何将人工智能用于临床实践和工作流程管理：一项以特应性皮炎为重点的全国性调查
机构 * Charnock Hospital, Kolkata, India（科钦医院，加尔各答，印度） ； Department of Dermatology, Jagannath Gupta Institute of Medical Sciences and Hospital, Kolkata, India（皮肤科部，贾亚纳塔·古普塔医学科学与医院，加尔各答，印度） ； Department of Pediatric Dermatology, Institute of Child Health, Kolkata-700017, India（儿科皮肤科部，儿童健康研究所，加尔各答-700017，印度） ； Department of Dermatology, Venereology, and Leprology, Postgraduate Institute of Medical Education and Research, Chandigarh-160012, India（皮肤科、性病学和麻风病学部，医学教育与研究研究生院，昌迪加尔-160012，印度） ； Department of Dermatology and STD, University College of Medical Sciences & GTBH, University of Delhi, Delhi-110095, India（皮肤科和性传播疾病部，医学科学大学及GTBH，德里大学，德里-110095，印度） ； Department of DVL, Sree Balaji Medical College and Hospital, Chennai, India（DVL部，Sree Balaji医学院和医院，钦奈，印度）
专题命中 诊断辅助 ：diagnosis(abstract)
AI总结 通过全国性调查，发现印度皮肤科医生主要使用通用大语言模型处理认知和行政任务，而临床需求集中于慢性病管理和特应性皮炎工作流支持，提示临床监督下的工作流工具可能比独立诊断应用更有用。
Comments 28 pages, 5 tables
From Failed Trajectories to Reliable LLM Agents: Diagnosing and Repairing Harness Flaws
从失败轨迹到可靠的LLM代理：诊断与修复框架缺陷
专题命中 诊断辅助 ：diagnosis(abstract)
AI总结 提出HarnessFix框架，通过轨迹引导诊断代理失败并修复执行框架，在多个基准上提升15.2%-50.0%性能。
2. 病理影像 4 篇
BRIGHT: A Collaborative Generalist-Specialist Foundation Model for Breast Pathology
BRIGHT：用于乳腺病理的协作式通用-专科基础模型
机构 * Department of Breast Pathology and Laboratory, Tianjin Medical University Cancer Institute & Hospital, National Clinical Research Center for Cancer, Key Laboratory of Breast Cancer Prevention and Therapy, Tianjin Medical University, Ministry of Education, Tianjin’s Clinical Research Center for Cancer, West Huanhu Road, Tianjin, China（天津医科大学肿瘤医院乳腺病理科及实验室，国家癌症临床研究中心，天津医科大学乳腺癌预防与治疗重点实验室，天津医科大学，教育部，天津癌症临床研究中心，西湖南路，天津，中国） ； Guangdong Provincial Key Laboratory of Artificial Intelligence in Medical Image Analysis and Application, Guangdong Provincial People’s Hospital (Guangdong Academy of Medical Sciences), Southern Medical University, Guangzhou, China（广东省人工智能在医学影像分析与应用重点实验室，广东省人民医院（广东省医学科学院），南方医科大学，广州，中国）
专题命中 病理影像 ：pathology(title,abstract)；diagnosis(abstract)；分类 cs.CV
AI总结 提出BRIGHT，首个针对乳腺病理的基础模型，采用通用-专科协作框架，在5.1万张全切片图像上训练，在25项内部验证任务中均达最优性能，优于5个通用模型。
Prior-Anchored Debiasing for Long-Tailed Multi-Organ Pathology Report Generation
先验锚定去偏方法用于长尾多器官病理报告生成
机构 * City University of Hong Kong, Hong Kong SAR（香港城市大学） ； University of Nottingham, United Kingdom（诺丁汉大学） ； University of Massachusetts Boston, United States（马萨诸塞大学波士顿分校）
专题命中 病理影像 ：pathology(title,abstract)；分类 cs.CV
AI总结 针对多器官病理报告生成中视觉表示和文本解码的长尾偏差，提出先验锚定框架PriOrGen，通过视觉原型锚定瓶颈和元报告锚定库分别缓解两类偏差，在长尾数据集上优于现有方法。
Towards Cellular-Scale Interpretability in Pathology Foundation Models for Biomarker Assessment
面向生物标志物评估的病理基础模型中的细胞级可解释性
机构 * Institute of Pathology, Technical University of Munich（慕尼黑技术大学病理学研究所） ； School of Computation, Information and Technology, Technical University of Munich（慕尼黑技术大学计算、信息与技术学院） ； Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心） ； Computer Aided Medical Procedures (CAMP), Technical University of Munich（慕尼黑技术大学计算机辅助医疗程序中心） ； School of Biomedical Engineering, Faculty of Medicine, Dalian University of Technology（大连理工大学医学院生物医学工程学院） ； Affiliated Hospital of Chifeng University（赤峰大学附属医院） ； Center for Medical Imaging, Robotics, and Analytic Computing & Learning (MIRACLE), Suzhou Institute for Advanced Research, USTC, Suzhou, China（苏州先进研究院医学影像、机器人与分析计算与学习中心） ； Department of Biomedical Informatics, Harvard Medical School（哈佛医学院生物医学信息学系） ； The First Hospital and the College of Basic Medical Sciences of China Medical University（中国医科大学第一医院及基础医学科学学院） ； Munich Data Science Institute (MDSI)（慕尼黑数据科学研究所）
专题命中 病理影像 ：pathology(title,abstract)；分类 cs.CV
AI总结 提出Hireca病理基础模型和CytoMap可解释性模块，在10项生物标志物任务中多数领先，提供细胞级证据定位，实现透明可审查的生物标志物评估。
Quaternion Nondecimated Wavelet Descriptors for Multiclass Breast Histology Classification
用于多类乳腺组织学分类的四元数非抽取小波描述符
专题命中 病理影像 ：pathology(abstract)
AI总结 提出可解释的四元数非抽取小波框架，将RGB图像编码为纯四元数场，通过二维四元数非抽取小波变换提取多尺度、方向性、颜色耦合的特征，用于乳腺组织学四分类，在BACH数据集上使用径向核SVM实现平衡识别。
Comments 19 pages, 8 figures. Code available at https://github.com/saraantonijevic/QNDWT2D-histology
3. 医疗多模态 4 篇
Discrete Diffusion Language Models for Interactive Radiology Report Drafting
离散扩散语言模型用于交互式放射报告草稿生成
机构 * Stanford University School of Medicine（斯坦福大学医学院） ； Ghent University（根特大学） ； Stanford University（斯坦福大学）
专题命中 医疗多模态 ：radiology(title)；分类 cs.LG
AI总结 提出将离散扩散语言模型用于放射报告草稿生成，利用其任意顺序填充能力实现交互式编辑，在医学VQA任务上达到或超越自回归模型，解码速度快3.5-4.4倍。
Multimodal Fusion for Fine-Grained Classification of Breast Fibroadenoma and Phyllodes Tumors
乳腺纤维腺瘤与叶状肿瘤细粒度分类的多模态融合
机构 * School of Integrated Circuits, Wuxi Vocational College of Science and Technology（集成电路学院，无锡科学技术职业技术学院） ； School of Advanced Technology, Xi’an Jiaotong-Liverpool University（先进科技学院，西安交通大学利物浦大学） ； Shanghai Gem Science and Technology Co., Ltd.（上海 gems 科技有限公司） ； Department of Oncology, Shanghai Medical College, Fudan University（肿瘤科，复旦大学上海医学院） ； Department of Medical Ultrasound, Fudan University Shanghai Cancer Center（医学超声科，复旦大学上海癌症中心）
专题命中 医疗多模态 ：pathology(abstract)；diagnosis(abstract)；分类 cs.CV
AI总结 针对B超下乳腺纤维腺瘤和叶状肿瘤高度重叠导致误诊的问题，构建FAPT-M多模态数据集，提出临床引导的多模态框架，集成视觉、文本和临床特征，通过自适应调制、跨模态Transformer和双路径表示学习，实现细粒度分类，准确率77.64%，AUC 89.74%。
NEARL: Interacted Query Adaptation with Orthogonal Regularization for Medical Vision-Language Understanding
NEARL: 基于正交正则化的交互式查询自适应用于医学视觉-语言理解
机构 * MoE Key Lab of Artificial Intelligence（人工智能MOE实验室） ； AI Institute（人工智能研究院） ； School of Computer Science（计算机科学学院） ； Shanghai Jiao Tong University（上海交通大学） ； Department of Radiology（放射科） ； The First Affiliated Hospital（第一附属医院） ； School of Medicine（医学院） ； Zhejiang University（浙江大学） ； Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学） ； State Key Laboratory of Infrared Physics（红外物理国家重点实验室） ； Shanghai Institute of Technical Physics（上海技术物理研究所） ； Chinese Academy of Science（中国科学院）
专题命中 医疗多模态 ：medical image(abstract)；diagnosis(abstract)；分类 cs.CV
AI总结 提出NEARL框架，通过统一协同嵌入变换器（USEformer）和正交交叉注意力适配器（OCA）实现双向跨模态交互，仅引入1.46M参数，在三个医学影像数据集上取得最先进性能。
Do Multimodal Large Language Models Need Reasoning to Classify Dementia from Speech?
多模态大语言模型是否需要推理来从语音中分类痴呆症？
专题命中 医疗多模态 ：diagnosis(abstract)
AI总结 本文评估了多模态大语言模型在自动痴呆症分类中的推理能力，发现基于文本理由的策略会导致幻觉和不一致，并提出DeTAiL框架，通过非线性适配器和强化学习利用内部表示，在两个数据集上优于基线方法。
4. 生物医学文本 3 篇
On the Utility and Factual Reliability of Pruned Mixture-of-Experts Models in the Biomedical Domain
关于剪枝后的混合专家模型在生物医学领域的实用性与事实可靠性
机构 * University of Sheffield（谢菲尔德大学） ； AstraZeneca（阿斯利康） ； University of Exeter（埃克塞特大学） ； Federal University of Rio Grande do Norte（北里奥格兰德联邦大学）
专题命中 生物医学文本 ：biomedical(title,abstract)；分类 cs.LG
AI总结 研究通过结构化专家剪枝降低混合专家模型部署成本，评估剪枝对生物医学领域实用性与事实可靠性的影响，发现适度剪枝保持领域内性能但极端剪枝增加幻觉风险。
Comments Under review
MKGR: Multimodal Knowledge-Graph Representation Learning for Cold-Start Protein-Protein Interaction Prediction
MKGR: 面向冷启动蛋白质-蛋白质相互作用预测的多模态知识图谱表示学习
机构 * College of Computer and Information Science, Southwest University（西南大学计算机与信息科学学院）
专题命中 生物医学文本 ：biomedical(abstract)；分类 cs.LG
AI总结 提出MKGR框架，结合区域感知蛋白质序列编码与四个生物医学知识图谱，通过桥接重建目标和成对门控模块，在冷启动场景下显著提升PPI预测性能。
Transiently Driven Reflectionless Resonant Microwave Plasmas via Virtual Critical Coupling
瞬态驱动无反射共振微波等离子体通过虚拟临界耦合
专题命中 生物医学文本 ：biomedical(abstract)
AI总结 提出虚拟临界耦合方法，通过指数增长波形实现动态阻抗匹配，克服等离子体点燃导致的阻抗失配，使谐振器储能提升四倍，实现超高效微波等离子体生成。
Comments 7 Pages, 7 Figures, Submitted to IEEE TMTT
5. 健康监测 1 篇
Composite Reward Design in PPO-Driven Adaptive Filtering
基于PPO的自适应滤波器复合奖励设计
机构 * Middle East Technical University (METU)（中东技术大学）
专题命中 健康监测 ：biomedical(abstract)；分类 cs.LG、eess.SP
AI总结 本文提出基于PPO的自适应滤波框架，通过复合奖励平衡信噪比提升、均方误差降低和残差平滑度，实验显示其在动态非稳态环境中优于传统滤波器。
Comments 8 pages, 4 figures, 2 table, 26th International Conference on Computational Science - Workshops (MLDADS-26) ,Keywords: Reinforcement learning, Adaptive filtering, Noise reduction, PPO
6. 医学数据与评测 4 篇
Assessing VLM Reliability for Medical Image Quality Evaluation Under Corruption and Bias
评估视觉语言模型在图像退化与偏差下进行医学图像质量评估的可靠性
机构 * University of Tuebingen（图宾根大学） ； Institute for Bioinformatics and Medical Informatics (IBMI), University of Tuebingen（图宾根大学生物信息学与医学信息学研究所）
专题命中 医学数据与评测 ：medical image(title,abstract)；pathology(abstract)；分类 cs.CV、cs.LG
AI总结 研究视觉语言模型在医学图像质量评估中，面对图像退化（如像素化）和文本属性偏差时的可靠性，发现像素化显著降低性能，而文本属性（如机构声望）引入偏差。
MIBE: Multi-subject Interaction Benchmark and Evaluator for Personalized Image Generation
MIBE：面向个性化图像生成的多主体交互基准与评估器
机构 * University of California, Los Angeles（加州大学洛杉矶分校） ； University of Southern California（南加州大学） ； DeerLab LLC（DeerLab有限责任公司） ； Carnegie Mellon University（卡内基梅隆大学） ； Clemson University（克莱姆森大学） ； Google（谷歌） ； San Jose State University（圣何塞州立大学） ； University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
专题命中 医学数据与评测 ：diagnosis(abstract)；分类 cs.CV
AI总结 提出MIBE框架，包含多主体交互基准（MIB）和评估器（MIE），通过解耦数据体制和双头排序诊断目标，解决多主体个性化图像生成中主体遗漏、外观失配和交互错误问题，在黄金集上达到0.922成对准确率。
CLAP: Closed-Loop Training, Evaluation, and Release Control for Domain Agent Post-training
CLAP：领域智能体后训练的闭环训练、评估与发布控制
机构 * MatrixOrigin（矩阵起源）
专题命中 医学数据与评测 ：diagnosis(abstract)
AI总结 提出CLAP闭环方法，通过数据验证、奖励/KL诊断、离线门控和应用链回放，在制造场景中评估后训练效果，发现仅部分批次提升且存在KL风险，支持集成循环管理。
Comments 6 pages, 1 figure. Accepted to CRAE 2026; to appear in SPIE Proceedings. Best Poster Award
AgenticRAGTracer: A Hop-Aware Benchmark for Diagnosing Multi-Step Retrieval Reasoning in Agentic RAG
AgenticRAGTracer：用于诊断Agentic RAG中多步检索推理的跳数感知基准
机构 * University of Science and Technology Beijing（北京科技大学） ； Peking University（北京大学） ； Zhongguancun Academy（中关村学院） ； Beijing Key Laboratory of Data Intelligence and Security (Peking University)（北京市数据智能与安全重点实验室（北京大学））
专题命中 医学数据与评测 ：diagnosis(abstract)
AI总结 提出首个由大语言模型自动构建的Agentic RAG基准AgenticRAGTracer，包含1305个跨领域数据点，支持逐跳验证，揭示模型在多步推理中推理链扭曲的问题。
Comments Accepted at ACL 2026 Findings
