医学 AI

LoRSA: Toward Generalizable Parameter-Efficient Fine-Tuning for Biomedical Downstream Tasks

LoRSA：面向生物医学下游任务的可泛化参数高效微调方法

Saed Moradi, Benyamin Ghojogh, M. Hadi Sepanj, Yimin Yang, Ashirbani Saha

机构 * McMaster University（麦克马斯特大学） ； University of Waterloo（滑铁卢大学） ； Western University（西安大略大学） 纠错

专题命中 生物医学文本 ：biomedical(title,abstract)；分类 cs.CV、cs.LG

AI总结 本文提出LoRSA框架，联合学习两类低秩分量实现生物医学视觉模型的参数高效微调，在乳腺密度分类任务中显著提升了模型对未见医学影像域的泛化性能。

Biomedical Knowledge Composition: A Software Engineering Perspective

生物医学知识构建：软件工程视角

Natallia Kokash, Adam S. Z. Bellouma, Paola Grosso

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

AI总结 本文从软件工程视角，阐述生物医学知识图谱的核心地位与相关挑战，提出需借鉴Web工程的可组合可复现实践，为生物医学知识基础设施构建提供研究议程。

A Comparative Study in Surgical AI: Potential and Limitations of Data, Compute, and Scaling

外科AI的比较研究：数据、计算和扩展的潜力与局限

Kirill Skobelev, Eric Fithian, Yegor Baranovski, Jack Cook, Sandeep Angara, Shauna Otto, Zhuang-Fang Yi, John Zhu, Neeraj Mainkar, Margaux Masson-Forsythe, Daniel A. Donoho, X. Y. Han

机构 * Center for Applied AI, Chicago Booth（应用人工智能中心，芝加哥商学院） ； Surgical Data Science Collective（外科数据科学集体） ； Children’s National Hospital（儿童医学中心） ； Operations Management & Tolan Center for Healthcare, Chicago Booth（运营管理与托兰医疗中心，芝加哥商学院） 纠错

专题命中 生物医学文本 ：biomedical(abstract)；分类 cs.CV、cs.LG

AI总结 本文通过2026年最先进的AI方法，研究了外科手术工具检测中的性能和限制，发现即使使用多十亿参数模型和大量训练数据，当前的视觉语言模型在神经外科手术工具检测任务中仍表现不足，且模型规模和训练时间的增加对性能提升效果有限，表明当前AI在手术应用中仍面临显著挑战。

VOICE: A Vision-Omics Foundation Model Integrating Direct and Retrieval-Based Prediction of In-situ Single-Cell Gene Expression

VOICE：一种融合原位单细胞基因表达直接预测与基于检索预测的视觉-组学基础模型

Xin Luo, Yicheng Tao, Haoxuan Zeng, Suyuan Wang, Chenzi Ouyang, Meiqi Zhu, Kai Liu, Shuibing Chen, Jie Liu

机构 * University of Michigan（密歇根大学） ； Weill Cornell Medicine（威尔康奈尔医学院） 纠错

专题命中 生物医学文本 ：pathology(abstract)；分类 cs.CV、q-bio

AI总结 该研究提出多模态基础模型 VOICE，通过对比学习对齐 H&E 形态与单细胞表达嵌入，融合直接回归与参考检索分支，泛化性良好且在七项指标上优于现有方法，可从 H&E 图像预测单细胞基因表达。

Demystifying Prediction Powered Inference

解开预测驱动推断之谜

Yilin Song, Dan M. Kluger, Harsh Parikh, Tian Gu

机构 * Department of Biostatistics, Columbia Mailman School of Public Health（哥伦比亚大学生物统计学系、哥伦比亚大学马利曼公共卫生学院） ； Institute for Data, Systems, and Society, Massachusetts Institute of Technology（麻省理工学院数据、系统和社会研究所） ； Department of Biostatistics, Yale School of Public Health（耶鲁大学生物统计学系） 纠错

专题命中 生物医学文本 ：biomedical(abstract)；分类 cs.LG

AI总结 本文通过整合PPI的理论基础和方法学扩展，提供统一的实用工作流程，帮助研究人员负责任地应用预测驱动推断。

Comments updated manuscript

Comparing Tobit and Two-Part Hurdle Models for Semi-Continuous Longitudinal Data with an Application to Clonal Hematopoiesis

Tobit模型与两部分Hurdle模型在半连续纵向数据中的比较及其在克隆性造血中的应用

Sumaja Bandreddi, Pei Zhang, Rebecca L. Kelly, Mitchell J. Machiela, Paul S. Albert

专题命中 生物医学文本 ：biomedical(abstract)

AI总结 本文比较了Tobit模型与两部分Hurdle模型，推导了二者等价的数学条件，通过模拟研究发现Hurdle模型更灵活稳健，将二者应用于克隆性造血研究，得到的结果与标准线性模型大致一致。

Direct Laser Interference Patterning of Functional Metal Surfaces: From Written Geometry to Functional Interfaces

功能金属表面的直接激光干涉图案化：从写入几何到功能界面

Petr Hauschwitz

专题命中 生物医学文本 ：biomedical(abstract)

AI总结 本综述以DLIP为模型系统，指出仅靠几何无法预测金属表面功能，需分离写入几何与形成的界面，明确跨领域变量可转移性，为DLIP表面工程提供预测框架。

Comments Review article, 6 figures, 2 tables

Principled analysis of crossover designs: causal effects, efficient estimation, and robust inference

交叉设计的原理性分析：因果效应、有效估计与稳健推断

Zhichao Jiang, Peng Ding

专题命中 生物医学文本 ：biomedical(abstract)

AI总结 本文提出基于设计的框架分析交叉设计，定义因果估计量并统一使用最小二乘法进行估计，提供稳健推断方法。

SAKE: Structured Agentic Knowledge Extrapolation for Complex LLM Reasoning via Reinforcement Learning

SAKE：通过强化学习进行复杂LLM推理的结构代理知识外推

Jiashu He, Jinxuan Fan, Bowen Jiang, Ignacio Houine, Dan Roth, Alejandro Ribeiro

机构 * University of Pennsylvania（宾夕法尼亚大学） ； University of California, Berkeley（加州大学伯克利分校） 纠错

专题命中 生物医学文本 ：biomedical(abstract)

AI总结 SAKE通过强化学习训练LLM自主检索和外推结构化知识，提升生物医学和常识领域推理性能，同时减少90%以上token使用。

Estimating order scale parameters of two scale mixture of exponential distributions

估计双尺度混合指数分布的顺序尺度参数

Somnath Mondal, Lakshmi Kanta Patra

专题命中 生物医学文本 ：biomedical(abstract)

AI总结 本文提出改进估计方法，用于双尺度混合指数分布的有序尺度参数估计，并应用于多元Lomax分布和指数逆高斯分布。

Comments 28 pages, 20 tables, 35 citations