医学 AI

Quality assurance of the Federal Interagency Traumatic Brain Injury Research (FITBIR) database for multi-site MRI analysis

用于多站点MRI分析的联邦跨部门创伤性脑损伤研究（FITBIR）数据库的质量保证

Adam M. Saunders, Michael E. Kim, Gaurav Rudravaram, Elyssa M. McMaster, Chloe Scholten, Sequoia Wade, Marselle Rasdall, Simon Vandekar, Tonia S. Rex, François Rheault, Bennett A. Landman

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

AI总结 针对FITBIR数据库，将其结构和扩散MRI及相关信息整理统一，用UNesT分割分析指标，经质量保证后用GAMLSS建模，发现TBI受试者与对照组相比，15个脑区体积有显著差异。

Comments 8 pages, 5 figures

Prototypical Few-Shot Medical Image Semantic Segmentation with Background Fusion

基于背景融合的原型少样本医学图像语义分割

Yuan Dong, Xiaoyu Yu, Wentao Wan, Jianchao Xue, Yuejin Duan, Song Tang, Yu Zhao

机构 * Chinese Academy of Medical Sciences（中国医学科学院） ； Peking Union Medical College（北京友谊医院） ； School of Health Sciences（健康科学学院） 纠错

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

AI总结 研究针对医学图像少样本语义分割，提出背景融合原型（Bro）方法。通过特征相似性校准减少噪声，分层通道对抗注意力将背景融合到原型，基于通道组注意力机制实现从粗到细融合，可与现有模型集成，有效提升分割性能。

LUMOS: Latent Universal Medical Priors for Segmentation

GuiDINO：重新思考医学图像分割中的视觉基础模型

Zhuonan Liang, Wei Guo, Jie Gan, Yaxuan Song, Runnan Chen, Hang Chang, Weidong Cai

机构 * The University of Sydney, Sydney. NSW 2006, Australia Biological System \& Engineering Division, Lawrence Berkeley National Laboratory, Berkeley. CA 94720, USA Berkeley Biomedical Data Science Center, Lawrence Berkeley National Laboratory, Berkeley. CA 94720, USA 纠错

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

AI总结 GuiDINO通过引导掩码机制提升医学图像分割性能，提供了一种参数高效的基础模型适应方法。

Comments 13 pages, 10 figures, 12 tables

Evaluating Retrieval-Augmented Generation vs. Long-Context Input for Clinical Reasoning over EHRs

评估检索增强生成与长上下文输入用于电子健康记录临床推理的效果

Skatje Myers, Dmitriy Dligach, Timothy A. Miller, Samantha Barr, James Landefeld, Yanjun Gao, Matthew Churpek, Anoop Mayampurath, Majid Afshar

机构 * University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； Loyola University Chicago（芝加哥洛约拉大学） ； Boston Children’s Hospital Harvard Medical School（波士顿儿童医院哈佛医学院） ； University of Colorado-Anschutz（科罗拉多大学安舒茨分校） 纠错

专题命中 临床大模型 ：diagnosis(abstract)

AI总结 研究评估检索增强生成（RAG）用于电子健康记录临床推理的效果，定义三个基于EHR的任务，用真实住院临床记录评估三种大语言模型，发现RAG在成像程序和抗生素时间线任务中令牌效率高，诊断生成任务较具挑战性，RAG是临床任务的有效方法。

AnchorMoE: Interpretable Time Series Classification via Anchor-Routed MoE

AnchorMoE: 基于锚点路由的混合专家模型实现可解释时间序列分类

Tao Xie, Zexi Tan, Haoyi Xiao, Mengke Li, Yiqun Zhang, Yang Lu, Cuie Yang, Yiu-ming Cheung

机构 * School of Automation, Guangdong University of Technology（广东工业大学自动化学院） ； School of Computer Science and Technology, Guangdong University of Technology（广东工业大学计算机科学与技术学院） ； College of Computer Science and Software Engineering, Shenzhen University（深圳大学计算机科学与软件工程学院） ； School of Informatics, Xiamen University（厦门大学信息学院） ； State Key Laboratory of Synthetical Automation for Process Industries, Northeastern University（东北大学过程工业综合自动化国家重点实验室） ； Department of Computer Science, Hong Kong Baptist University（香港 Baptist 大学计算机科学系） 纠错

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

AI总结 提出AnchorMoE框架，利用混合专家架构对局部补丁进行多视角表示并路由至专门专家，通过加性分解实现前向可解释性，并引入几何正交约束和不确定性感知门控机制提升稀疏信号下的分解可靠性与噪声抑制。

Comments Accepted by KDD 2026

Transformer-Based Inverse Microrheology for Experimental Mechanics at Ultra-High Strain Rates

基于Transformer的超高应变率下实验力学的逆微流变学

Lehu Bu, Zhaohan Yu, Danila Frolkin, Junyoung Kim, Qihang Shi, Jan N. Fuhg, Shaoting Lin, Jin Yang

机构 * Materials Science Graduate Program, Texas Materials Institute, The University of Texas at Austin（材料科学研究生项目，德克萨斯材料研究所，德克萨斯大学奥斯汀分校） ； Department of Mechanical Engineering, Michigan State University（机械工程系，密歇根州立大学） ； Department of Aerospace Engineering and Engineering Mechanics, The University of Texas at Austin（航空航天工程与工程力学系，德克萨斯大学奥斯汀分校） ； The Oden Institute of Computational Science and Engineering, University of Texas at Austin（奥登计算科学与工程研究所，德克萨斯大学奥斯汀分校） ； Department of Mechanical Engineering, University of Wisconsin-Madison（机械工程系，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)；分类 cs.LG

AI总结 研究针对传统流变工具在超高应变率下表征软材料的局限，提出基于Transformer的气泡动力学框架BDT，集成物理模拟与神经网络，从气泡动力学快速逆表征软材料粘弹性，无需迭代优化，加速参数推断并能表征多种材料行为。