医学 AI

SAGE: Stochastic Prompt Optimization via Agent-Guided Exploration

SAGE: 基于智能体引导探索的随机提示优化

Ziyi Zhu, Luka Smyth, Saki Shinoda, Jinghong Chen

机构 * Slingshot AI ； Department of Engineering, University of Cambridge（剑桥大学工程系） 纠错

专题命中 诊断辅助 ：diagnosis(abstract)

AI总结 提出随机提示优化框架SPO，其中SAGE方法通过多智能体诊断代码执行实现黑盒搜索，在多个基准测试中表现依赖于错误类型，并在心理健康聊天机器人中通过连续优化显著提升次日留存率。

Gradient-Based Latent Decomposition Reveals Mechanisms of Feature Degradation in Weakly Supervised Mammography

基于梯度的潜在分解揭示了弱监督乳腺钼靶成像中特征退化的机制

Vinceline Bertrand, Ionut Cardei

机构 * Florida Atlantic University（佛罗里达大西洋大学） 纠错

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

AI总结 研究弱监督乳腺钼靶成像中特征退化问题，引入基于梯度的正交潜在分解用于分层变分自编码器，划分潜在空间，通过实验得出模型相关指标，经潜在消融等验证，揭示高维空间中粗监督信号对细粒度特征的影响。

Can a small additional claim lower the premium? Credibility orders for collective risk models

一个小的附加索赔能否降低保费？集体风险模型的可信度排序

Jihyun Park, Jieun Kim, Taehan Bae, Jae Youn Ahn

专题命中 病理影像 ：pathology(abstract)

AI总结 研究集体风险模型中可信度排序问题，指出标准模型规范可能违反单调性，通过给出反例说明小附加索赔可能降保费，进而形式化适用于该模型的可信度排序及充分条件，并进行数值研究和实证说明。

An inquiry into the Absence of Fermion Doubling and why the Nielsen-Ninomiya Theorem Does Not Apply to Nonlocal Quantum Field Theory

关于费米子加倍缺失以及尼尔森 - 二宫定理为何不适用于非局部量子场论的探究

Arvin Kouroshnia, J. W. Moffat, E. J. Thompson

专题命中 病理影像 ：pathology(abstract)

AI总结 探究非局部量子场论是否有费米子加倍问题，通过全纯函数算子可逆性证明特定条件下无额外费米子，给出费米子加倍准则及测试程序，区分相关情况，得出完整连续非局部理论中不存在费米子加倍的结论。

Comments 28 pages, no figures

Why Does Grounding Hurt Medical VQA? Benchmarking, Diagnosis, and Fine-Tuning of Vision-Language Models

对前沿视觉-语言模型进行审计以实现可信的医学视觉问答：定位失败、格式崩溃和领域适应

Xupeng Chen, Binbin Shi, Chenqian Le, Qifu Yin, Lang Lin, Haowei Ni, Ran Gong, Panfeng Li

机构 * New York University, New York, USA（纽约大学） ； Tsinghua University, Beijing, China（清华大学） ； Columbia University, New York, USA（哥伦比亚大学） ； University of Michigan, Ann Arbor, USA（密歇根大学） 纠错

专题命中 医疗多模态 ：diagnosis(title)

AI总结 本文审计了五种前沿视觉-语言模型在医学视觉问答中的表现，发现定位失败和格式崩溃是信任瓶颈，通过领域适应可提升性能。

ClinFusion: A Vision-Centric Multimodal LLM System for Holistic Medical Understanding

ClinFusion：用于整体医学理解的以视觉为中心的多模态大语言模型系统

Hangjie Yuan, Yichen Qian, Zhiwei Tang, Xianzhe Xu, Lirong Wu, Sicheng Yang, Jinwang Wang, Pengju Wang, Zhitao Zeng, Yizeng Han, Yan Xing, Shengxuan Luo, Tao Feng, Qing Xie, Weigen Yao, Yi Yang, Zuozhu Liu, Jiasheng Tang, Shaocheng Wang, Jitao Wang, Jiahong Dong, Weihua Chen, Feng Xu, Fan Wang

机构 * DAMO Academy, Alibaba Group（达摩院，阿里巴巴集团） ； Hupan Laboratory（湖畔实验室） ； College of Computer Science and Technology, Zhejiang University（浙江大学计算机科学与技术学院） ； Department of Computer Science and Technology, Tsinghua University（清华大学计算机科学与技术系） ； Department of Radiology, The Affiliated Yangming Hospital of Ningbo University（宁波大学附属阳明医院放射科） ； Zhejiang University-University of Illinois Urbana-Champaign Institute, Zhejiang University（浙江大学伊利诺伊大学厄巴纳香槟校区联合学院，浙江大学） ； Hepato-Pancreato-Biliary Center, Beijing Tsinghua Changgung Hospital, School of Clinical Medicine, Tsinghua Medicine, Tsinghua University（清华长庚医院肝胆胰中心，清华大学临床医学院，清华医学，清华大学） ； School of Software, Tsinghua University（清华大学软件学院） ； Beijing National Research Center for Information Science and Technology, Tsinghua University（清华大学北京信息科学与技术国家研究中心） 纠错

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

AI总结 研究针对多模态大语言模型在医学领域部署的挑战，提出ClinFusion，采用组合级联视觉编码器架构和视觉基础评估框架，在多模态医学基准测试中表现优异，超越开源和专有模型，经专家盲评验证效果良好。

Comments Code: https://github.com/alibaba-damo-academy/ClinFusion Models: https://huggingface.co/collections/Alibaba-DAMO-Academy/clinfusion

MEDIC-AD: Towards Medical Vision-Language Model's Clinical Intelligence

MEDIC-AD：迈向医疗视觉-语言模型的临床智能

Woohyeon Park, Jaeik Kim, Sunghwan Steve Cho, Pa Hong, Wookyoung Jeong, Yoojin Nam, Namjoon Kim, Ginny Y. Wong, Ka Chun Cheung, Jaeyoung Do

机构 * AIDAS Laboratory, Seoul National University（首尔大学AIDAS实验室） ； Samsung Changwon Hospital（三星昌原医院） ； Samsung Medical Center（三星医疗中心） ； NVIDIA, Santa Clara, USA（英伟达（美国圣克拉拉）） 纠错

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

AI总结 MEDIC-AD通过分阶段框架提升医疗视觉-语言模型在病变检测、症状跟踪和视觉可解释性方面的性能，实现临床应用中的最优表现。

Journal ref CVPR 2026

BioDisclose: An Actionability-Aware Benchmark for Biomedical Safety under Adversarial Elicitation

BioDisclose：对抗性诱导下生物医学安全的可操作性感知基准

Yinuo Zhu, He Liu, Boyuan Gu

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

AI总结 研究针对大语言模型在对抗性诱导下生物医学知识披露行为不足问题，引入BioDisclose基准，含多领域多类别提示，对模型响应四级评分，通过实验揭示不同模型、策略及风险类别差异，为评估生物医学安全提供新测试平台。

Comments 27 pages, 3 figures

EviDAG: Auditable Causal DAG Authoring with Biomedical Literature

DAGForge：利用生物医学文献进行可审计的因果DAG创作

Yi-han Sheu, Michael R. Steigman, Yu Zhou, Bo Wang, Fan-Yu Yen, Jordan W. Smoller

机构 * Massachusetts General Hospital（麻省总医院） ； Harvard University（哈佛大学） ； Northeastern University（东北大学） 纠错

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

AI总结 该研究针对生物医学因果分析中构建因果DAG多为手动过程的问题，提出DAGForge系统。它能基于研究概念描述创作可审计的因果DAG，经评估在召回率等方面表现良好，减轻了DAG策划负担，支持生物医学研究相关工作。

Comments 10 pages, 2 figures

When Does Deep Representation Learning Help Single-Cell Clustering? A Sensitivity-Aware Diagnostic Benchmark for Biomedical AI Pipelines

深度表示学习何时有助于单细胞聚类？生物医学人工智能管道的敏感性感知诊断基准

Nguyen Thanh Phong, Truong Viet Vu, Nguyen Ha Thu, Tran An Ky, Tran Hoang Thong, Le Pham Thuy Hien, Nguyen Thai Anh

机构 * Van Lang University（范朗大学） 纠错

专题命中 医学数据与评测 ：medical AI(title,abstract)；biomedical(title,abstract)；分类 cs.LG、q-bio

AI总结 研究单细胞聚类中深度表示学习是否必要，通过九个聚类管道在十个真实数据集上的诊断基准测试及相关分析，集成多种测试方法，揭示不同模式，确定主要方差贡献者，提供数据集感知和计算意识决策框架。

Comments 13 pages, 6 figures. Accepted at ISRSD 2026

GraphRareBench: An Auditable Graph-Evidence Benchmark for Phenotype-Driven Rare-Disease Diagnosis

GraphRareBench：用于表型驱动罕见病诊断的可审计图证据基准测试

Guiling Guo, Jia Yang, Jiahao Xu, Shuyuan Zheng, Zhonghai Sun, Qiyuan Li

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

AI总结 研究针对表型驱动罕见病诊断基准测试不透明问题，引入GraphRareBench基准测试，含病例与目标-混杂因素对。通过共享特征接口监督排名器及特定智能体测试，发现不同方法互补，为更透明的诊断系统评估提供基础。

Explainable AI for Chronic Kidney Disease Prediction Using Simulated Federated Learning

使用模拟联邦学习的慢性肾病预测的可解释人工智能

Md Zahid Hasan Ontor, Md Al Amin, Anik Dev Nath, Bikash Kumar Paul

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

AI总结 该研究针对慢性肾病预测问题，运用带投票分类器的联邦学习，结合随机森林等算法为全局服务器选最佳模型，用GridSearchCV优化客户端模型性能，还引入可解释人工智能技术，其全局模型平均准确率达99%，助力早期CKD诊断和数据驱动医疗。

Comments 13 Pages, 5 Figures