医学 AI

From Gradient Clipping to Structural Refinement: Improving DPSGD for Medical Image Segmentation

从梯度裁剪到结构细化：改进用于医学图像分割的DPSGD

Shiva Parsarad, Parth Shandilya, Isabel Wagner

机构 * University of Basel（巴塞尔大学） 纠错

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

AI总结 针对医学图像分割中差分隐私带来的效用下降问题，评估了多种DPSGD变体，并提出结合形态学细化的自适应DP-Morph方法，提升多类分割性能。

OTCHA: Optimal Transport-driven Confidence-aware Latent Hub Alignment for Multi-View Medical Image Classification

OTCHA: 基于最优传输的置信度感知潜在中心对齐用于多视图医学图像分类

Jiwoong Yang, Haejun Chung, Ikbeom Jang

机构 * Hanyang University（汉阳大学） ； Hankuk University of Foreign Studies（韩国外国语大学） 纠错

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

AI总结 提出OTCHA模块，通过最优传输对齐多视图补丁令牌与共享潜在中心令牌，结合置信度门控和部分匹配，消除无关特征，提升多视图医学图像分类鲁棒性。

Comments Accepted at MICCAI 2026

Input-Dependent Fisher Information for Local Sensitivity Analysis of Medical Image Classifiers

输入依赖的Fisher信息矩阵用于医学图像分类器的局部敏感性分析

Sourya Sengupta. Mark A. Anastasio

机构 * Department of Electrical and Computer Engineering, University of Illinois Urbana–Champaign（伊利诺伊大学厄巴纳-香槟分校电气与计算机工程系） ； Mallinckrodt Institute of Radiology and Department of Electrical & Systems Engineering, Washington University in St. Louis（华盛顿大学圣路易斯分校马林克罗德特放射医学研究所及电气与系统工程系） 纠错

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

AI总结 提出基于输入依赖Fisher信息矩阵(iFIM)的局部敏感性分析框架，通过Gram矩阵恢复iFIM非零谱，将图像分解为高/低敏感性分量，实验证明高敏感性分量与预测置信度和分类性能变化强相关。

A Comprehensive Survey of Medical Image Segmentation: Challenges, Benchmarks, and Beyond

医学图像分割综述：挑战、基准与未来展望

Pengyu Zhu, Xiaojing Zhang, Kunbo Zhang, Chunyan Zhang, Zhenyu Wang

机构 * School of Control and Computer Engineering, North China Electric Power University（华北电力大学控制与计算机工程学院） ； SPIC Digital Technology Co., Ltd（国家电投数字科技有限公司） ； Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； Department 6 of Health Care, Second Medical Center, People’s Liberation Army General Hospital（中国人民解放军总医院第二医学中心健康医学科六病区） 纠错

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

AI总结 本文系统综述了基于U-Net、Transformer和SAM架构的医学图像分割方法，分析主要挑战，旨在指导未来研究并推动临床转化。

Comments 12 pages,3 figures,1 table. All related resources are available at https://github.com/andrew-pengyu/Awsome_MedSeg/tree/main

BBR-Net: Boundary-Balanced Replay for Continual Medical Image Segmentation

BBR-Net：用于连续医学图像分割的边界平衡重放

Zahid Ullah, Sieun Choi, Jihie Kim

机构 * Department of Computer Science and Artificial Intelligence, Dongguk University（东国大学计算机科学与人工智能系） 纠错

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

AI总结 提出边界平衡重放网络（BBR-Net），通过边界感知优先级和类别平衡选择重放样本，在连续心脏超声分割中减少灾难性遗忘并保持目标域适应能力。

Active Source-free Domain Adaptation in Open-set Medical Image Segmentation via Decomposed Uncertainty and Prototype Discrepancy

基于分解不确定性和原型差异的开放集医学图像分割中的主动源自由域适应

Jin Yang, Yichi Zhang, Peijie Qiu, Xiaobing Yu

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

AI总结 提出一种主动源自由开放集域适应方法，通过类感知分解不确定性和类无关原型差异选择目标样本，结合目标精炼自训练策略，实现无源数据下的开放集医学图像分割。

Comments Early accepted by MICCAI 2026. This version is not the Version of Record and does not reflect post-acceptance improvements, or any corrections

Shared Semantic Codebook Distillation for Unpaired Cross-Modal Medical Classification

用于非配对跨模态医学分类的共享语义码本蒸馏

Dillan Imans, Phuoc-Nguyen Bui, Duc-Tai Le, Hyunseung Choo

机构 * Sungkyunkwan University（成均馆大学） ； Convergence Research Institute, Sungkyunkwan University（成均馆大学融合研究院） 纠错

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

AI总结 针对非配对跨模态医学分类的挑战，提出SSCD方法，通过共享语义码本转移知识，在两个医学分类任务中提升学生模型性能，优于各基线方法

Comments 16 pages, 2 figures, 4 tables

An Interpretable Deep Learning Framework for Discovery and Clinical Validation of Deep Radiomic Signatures in Tumor Classification

用于深度影像组学特征在肿瘤分类中发现与临床验证的可解释深度学习框架

Chengkun Sun, Jinqian Pan, Renjie Liang, Zhengkang Fan, Xin Miao, Yi Guo, Mei Liu, Muxuan Liang, Russell Terry, Jie Xu

机构 * Department of Health Outcomes and Biomedical Informatics, University of Florida（健康结果与生物医学信息学系，佛罗里达大学） ； Tiktok ； Department of Biostatistics, MD Anderson Cancer Center（生物统计学系，MD安德森癌症中心） ； Department of Urology, University of Florida（泌尿科，佛罗里达大学） 纠错

专题命中 医学影像 ：medical image(abstract)；CT(abstract)；diagnosis(abstract)；分类 cs.CV、eess.IV

AI总结 针对深度学习影像特征可解释性差阻碍临床落地的问题，该框架融合分割、可解释分类与影像组学分析，多数据集验证可提升肿瘤分类性能与生物可解释性。

ProMUSE: Progressive Multi-modal Uncertainty-guided Staged Evidential Alzheimer Disease Classification

ProMUSE: 渐进式多模态不确定性引导的分阶段证据阿尔茨海默病分类

Long Doan, Branden Chen, Ethan Litton, Huan Huang, Jiajing Huang, Yixin Xie, Weihua Zhou, Nandakumar Narayanan, Chen Zhao

机构 * Kennesaw State University（肯尼索州立大学） ； Michigan Technological University（密歇根理工大学） ； University of Iowa（爱荷华大学） 纠错

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

AI总结 提出ProMUSE，一种渐进式多模态不确定性引导的分阶段证据网络，通过自适应决定何时需要额外模态，在保持准确性的同时降低数据采集成本。

Interpretable and Frugal Learning Systems Employing Multiresolution Pyramids and Volterra Kernels

可解释且节俭的学习系统：采用多分辨率金字塔和Volterra核

Kishore Kumar Tarafdar

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

AI总结 提出基于信号理论的可解释学习系统，结合多分辨率分析、Volterra核和可微算子模块，用于逆建模、分类和分割任务，在微波辐射计反演、图像分割等应用中验证有效性。

Comments PhD Thesis Preprint

Active few-shot segmentation by reinforcing data selection

通过强化数据选择实现主动少样本分割

Chenlan Zhao, Benny Wong, Timothy F. Lundberg, Ahmed M. Elsayed, Abdallah Aljarkas, Hamad A. Aljamaan, Lynn Karam, Qianye Yang, Yipeng Hu, Claire C. Villette, Shaheer U. Saeed

机构 * Centre for Bioengineering, School of Engineering and Materials Science, Queen Mary University of London（伦敦玛丽女王大学工程与材料科学学院生物工程中心） ； Digital Environment Research Institute, Queen Mary University of London（伦敦玛丽女王大学数字环境研究所） ； UCL Hawkes Institute（伦敦大学学院UCL霍克斯研究所；医学物理与生物医学工程系） ； Department of Medical Physics and Biomedical Engineering, University College London（耶鲁大学生物与生物医学科学系） ； Department of Biological and Biomedical Sciences, Yale University（牛津大学工程科学系生物医学工程研究所） ； Institute of Biomedical Engineering, Department of Engineering Science, University of Oxford 纠错

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

AI总结 研究少样本医学图像分割中支持集选择问题，提出强化学习框架，智能体直接预测最大化下游分割性能的支持集，实验表明该方法优于随机选择和现有方法，凸显支持集互补性及强化学习的潜力。

Comments Accepted at EMA4MICCAI 2026 - The 2nd MICCAI Workshop on Efficient Medical AI

An Agentic AI Framework Overcomes Fundamental Limitations of Large Language Models for Glaucoma Detection from Fundus Photography

一种智能体AI框架克服了大型语言模型在眼底照相青光眼检测中的基本局限

Jalil Jalili, Hossein Taghizad, Anuwat Jiravarnsirikul, Christopher Bowd, Akram Belghith, Raheleh Kafieh, Christopher A. Girkin, Sally L. Baxter, Robert N. Weinreb, Linda M. Zangwill, Mark Christopher

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

AI总结 该研究开发的智能体AI框架整合LLM与专用深度学习工具，提升了眼底照相青光眼检测的准确率、一致性，纠正了仅用LLM的缺陷，具有通用性，或推动医学AI向多智能体系统转变。

A Unified Benchmark of Deep Learning Models for Multi-task 3D Brain Tumor Segmentation from Magnetic Resonance Imaging

用于磁共振成像多任务3D脑肿瘤分割的深度学习模型统一基准

Diego J. Torrejón, Luna Y. Hernández, Javier Sánchez

机构 * Centro de Tecnologías de la Imagen (CTIM)（图像技术中心（CTIM）） ； Instituto Universitario de Cibernética, Empresas y Sociedad (IUCES)（网络、企业与社会大学研究所（IUCES）） ； University of Las Palmas de Gran Canaria（拉斯帕尔马斯大加那利大学） 纠错

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

AI总结 本研究构建统一基准，在相同条件下对比3D U-Net等5种深度学习模型在BraTS 2023、2024数据集上的脑肿瘤分割性能，明确了不同架构的准确率与效率权衡及适用场景。

Comments 27 pages, 16 figures, 8 tables

Technological Advances in Detecting and Managing Cognitive Impairment in Older Adults: Trends, Challenges, and Future Directions

老年人认知障碍检测与管理的技术进展：趋势、挑战与未来方向

Mohammad Asif, Azizuddin Khan, Mohd Azam, Anurag Rajkumar Bombarde

机构 * Indian Institute of Technology Bombay（印度理工学院孟买分校） ； T-Systems ICT India Pvt. Ltd.（德国电信系统印度信息通信技术私人有限公司） 纠错

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

AI总结 本文综合老年人认知障碍检测与管理的技术进展，提出跨学科分类法等成果，指出现有模型多依赖小数据集，展望了可信多模态纵向验证系统的发展前景。

Gaussian Volumetric Representation for Efficient Shear-Warp Visualization

用于高效剪切变形可视化的高斯体表示

Mayuri Mathur, Ojaswa Sharma

机构 * Indraprastha Institute of Information Technology Delhi（德里英迪拉甘地信息技术学院） 纠错

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

AI总结 研究针对医学图像可视化计算成本高的问题，提出基于高斯的体表示，用蒙特卡罗体估计和课程学习策略优化，能从稀疏监督中学习解剖细节与纹理，降低计算成本，支持高效渲染多模态医学数据集，实现高帧率和高压缩比。

Panda: Unsupervised Pelvic Anomaly Detection for Real-Time MR Imaging

Panda：用于实时磁共振成像的无监督盆腔异常检测

Anika Knupfer, Maximilian Lindholz, Johanna Paula Müller, Jordina Aviles Verdera, Smiti Tripathy, Susanne Schulz-Heise, Jana Hutter

机构 * Institute of Information Processing, Leibniz University Hannover（莱布尼茨汉诺威大学信息处理研究所） ； CAIMED, L3S（CAIMED，L3S） ； Department of Radiology, Charité Universitätsmedizin Berlin（柏林夏里特大学医学中心放射科） ； Image Data Exploration and Analysis Lab, Friedrich-Alexander University Erlangen-Nürnberg（埃尔朗根-纽伦堡弗里德里希-亚历山大大学图像数据探索与分析实验室） ； Institute for Radiology, University Hospital Erlangen（埃尔朗根大学医院放射研究所） 纠错

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

AI总结 针对女性盆腔疾病实时异常检测难题，提出基于Dinomaly的无监督框架，利用冻结的DINOv3视觉Transformer编码器等，在子宫肌瘤数据集上评估，实现高像素级AUROC和帧级特异性，满足实时临床需求，为医生决策和协议调整提供支持。

Comments 10 pages, 5 figures

Physics-Guided Generative AI for Property-Targeted 3D Porous Media Design

用于属性靶向三维多孔介质设计的物理引导生成式人工智能

Peng Wang

机构 * Centre for Vision, Speech and Signal Processing (CVSSP), University of Surrey（萨里大学视觉、语音和信号处理中心） 纠错

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

AI总结 针对三维多孔介质逆向设计难题，提出物理引导生成式人工智能框架，结合多种模型学习潜在设计空间，依目标属性生成并优化结构，实验表明该方法能提升目标属性匹配等，为复杂多孔几何形状可控逆向设计及相关工具奠定基础。

Comments 15 pages, 8 figures

Attention-Based Segmentation of WMHs and Differentiation of Vascular vs. Demyelinating Lesions

基于注意力的脑白质高信号分割以及血管性与脱髓鞘性病变的区分

Aina Tur-Serrano, Gabriel Moyà-Alcover, Francisco J. Perales López

机构 * UGiVIA Research Group, Dpt. of Mathematics and Computer Science, Universitat de les Illes Balears（UGiVIA研究小组，数学与计算机科学系，巴利阿里群岛大学） 纠错

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

AI总结 研究针对脑白质高信号在鉴别诊断上的挑战，提出结合基于注意力的分割与特征驱动分类方法，评估注意力机制、测试不同架构及训练策略，利用多数据集实验，结果显示该方法为区分血管性和脱髓鞘性白质病变提供了有前景的方向。

Journal ref Pattern Recognition Letters 202 (2026) 50-56

SMART: A Flexible, Interpretable, and Scalable Spatio-temporal Brain Atlas from High-Resolution Imaging Data

SMART：一种灵活、可解释且可扩展的高分辨率成像数据时空脑图谱

John Kalkhof, Boris Gutman, Emile d'Angremont, Daniel C. Alexander, Marco Lorenzi

机构 * Illinois Institute of Technology（伊利诺伊理工学院） ； Amsterdam University Medical Center（阿姆斯特丹大学医学中心） ； University College London（伦敦大学学院） 纠错

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

AI总结 提出SMART框架，通过解耦全局疾病动态与患者特定解剖表现，学习连续疾病时间图谱，实现高分辨率3D医学图像中时空变化的灵活、可解释和可扩展建模。

Transition-Based Digital Twin Modelling for Alzheimer's Disease under Sparse Longitudinal Data

基于转换的阿尔茨海默病数字孪生建模在稀疏纵向数据下的应用

Yinyu Huang, Yilin Zhang, Sofia Michopoulou, Christopher Kipps, Rahman Attar

机构 * University of Southampton（南安普顿大学） ； University Hospital Southampton NHS Foundation Trust（南安普顿大学医院NHS基金会信托） ； Faculty of Medicine, University of Southampton（南安普顿大学医学院） 纠错

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

AI总结 针对阿尔茨海默病进展异质性和数据稀疏问题，提出结合局部转换建模与序列建模的数字孪生框架，利用多模态纵向数据预测认知状态并量化不确定性，在ADNI数据上表现优异。

Comments 13 pages, 5 figures, 3 tables. Accepted as a full-length paper at the International Conference on AI in Healthcare (AIiH) 2026

Self-Supervised Vision Transformers for CBCT-Based Detection of Temporomandibular Joint Osteoarthritis

基于自监督视觉Transformer的CBCT颞下颌关节骨关节炎检测

Shradhdha Trivedi, Vrundan Sojitra, Mariela Padilla

机构 * Herman Ostrow School of Dentistry, University of Southern California（南加州大学赫尔曼·奥斯特罗牙科学院） ； Viterbi School of Engineering, University of Southern California（南加州大学维特比工程学院） 纠错

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

AI总结 研究DINO系列自监督ViT在CBCT颞下颌关节骨关节炎检测中的迁移性能，发现部分解冻最后两个Transformer块可将AUC从0.671提升至0.902，表明适应策略比骨干选择更重要。

MedicalRec: Medical recommender system for image classification without retraining

MedicalRec：无需重新训练的图像分类医疗推荐系统

Roghayeh Taghavi, Aysa Hasanazde Bashkandi, Amir Ali Bengari, Mohammad Amin Raji, Mohammad Salahi Ardekani, Parisa Mardukhian, Parvaneh Rezaei, Ramin Mousa

机构 * University of Tehran（塔里班大学） 纠错

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

AI总结 提出基于Transformer的医疗推荐系统MedicalRec，利用从3000篇论文中构建的MedicalRec-Bench数据集（含5000+记录），无需重新训练即可为医疗图像分类任务推荐最优模型，最高HitRate@100达75.5%。

Dual-Domain Cross-Modal Decoding for Clinical Text-Guided Medical Image Segmentation

用于临床文本引导的医学图像分割的双域跨模态解码

Md Maklachur Rahman, Tracy Hammond

机构 * Texas A&M University（德克萨斯农工大学） 纠错

专题命中 医学影像 ：medical image(title)；分类 cs.CV、eess.IV

AI总结 本文针对临床文本引导医学图像分割忽略频率内容的问题，提出双域跨模态解码（DD-CMD）方法，在两个公开数据集上均优于现有最强基线。

Comments Accepted at MICCAI 2026 (Main). Final version to appear in the MICCAI 2026 proceedings

How Many Labels Are Enough? ALDA: Active Learning Deployment Advisor for Medical Image Classification

需要多少标签才足够？ALDA：面向医学图像分类的主动学习部署顾问

Julia Machnio, Mads Nielsen, Mostafa Mehdipour Ghazi

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

AI总结 针对医学图像分类的主动学习部署问题，提出ALDA框架，利用15%-30%试点数据预测最优策略，可降低最多82%标注成本，解决了部署时需选采样策略的关键问题。

Comments Accepted at EMA4MICCAI Workshop 2026

When Does Consensus Beat Voting? A Critical Analysis of Statistical Label Fusion in Medical Image Segmentation

在医学图像分割中，何时一致性优于投票？统计标签融合的批判性分析

Renjie He

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

AI总结 研究医学图像分割中一致性分割，通过推导数学基础并实验验证，发现常见条件下STAPLE存在问题，多数投票是强基线，深度一致性模型结合图像标签可处理问题，共形预测能保证不确定性，为评估方法提供基础。

Local Label-Informed Feature Transfer for Generating Ground-Truth Medical Images: A Comparison of GAN- and Diffusion-Based Approaches

用于生成真实医学图像的局部标签信息特征转移：基于GAN和扩散方法的比较

Rick Wilming, Irem Ozseker, Luca Matteo Cornils, Ahcène Boubekki, Benedict Clark, Danny Panknin, Stefan Haufe

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

AI总结 研究针对医学成像中验证XAI方法缺少真实数据的问题，提出LLIFT框架，用GAN和扩散两种范式实现，能生成含真实病变的半合成脑磁共振图像，为评估XAI方法提供了可控真实数据，且评估效果良好。

Comments 6 pages, submitted to IEEE MetroXRAINE 2026

Quantification of Uncertainty with Adversarial Models in Medical Image Segmentation

医学图像分割中对抗模型的不确定性量化

Hana Jebril, Thomas Pinetz, Günter Klambauer, Hrvoje Bogunović

机构 * Institute of Artificial Intelligence, Center for Medical Data Science, Medical University of Vienna, Austria（人工智能研究所、医学数据科学中心、维也纳医学大学，奥地利） ； Comprehensive Center for AI in Medicine, Medical University of Vienna, Austria（医学人工智能综合中心、维也纳医学大学，奥地利） ； ELLIS Unit Linz, LIT AI Lab and Institute for Machine Learning, Johannes Kepler University Linz, Austria（林茨ELLIS单位、LIT人工智能实验室和机器学习研究所、林茨约瑟夫·冯·克拉夫特大学，奥地利） ； Institute for Machine Learning, Johannes Kepler University Linz, Austria（机器学习研究所、林茨约瑟夫·冯·克拉夫特大学，奥地利） ； Clinical Research Center for Medical AI, Johannes Kepler University Linz, Austria（医学人工智能临床研究中心、林茨约瑟夫·冯·克拉夫特大学，奥地利） 纠错

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

AI总结 提出QUAM-SM后处理框架，通过针对性对抗搜索识别脆弱像素，量化不确定性并分离认知与偶然不确定性，在公开数据集上优于现有方法。

Comments Accepted at MICCAI 2026

To forget is to preserve: Machine Unlearning for 3D medical image segmentation

遗忘即保留：面向3D医学图像分割的机器遗忘

Nitesh Kumar Singh, Akhilesh Singh, Arjun Arora

机构 * University of California, San Diego（加州大学圣地亚哥分校） 纠错

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

AI总结 针对数据隐私法规，研究基于四种机制的近似遗忘策略在3D医学图像分割中的应用，通过Dice系数和MAE评估，发现噪声标签策略在遗忘集和保留集间取得最佳平衡。

Comments 9 pages, 5 figures

From Manuals to Maintenance: Fine-Tuning MedGemma for Multi-Modal Imaging System Support in Low-Resource Settings

从手册到维护：在低资源场景中微调MedGemma以提供多模态成像系统支持

Bernes Lorier Atabonfack, Zion Kongbi Nfo, Ahmed Tahiru Issah, Tolulope Olusuyi, Clemence Ingabire, Mohammed Hardi Abdul Baaki, Mawuli Deku, Abdulrazaq Zubair, Alyasaa Anas, Raymond Confidence, Maruf Adewole, Udunna C. Anazodo

机构 * Carnegie Mellon University Africa（非洲卡内基梅隆大学） ； IngenziAI（因根齐人工智能公司） ； Federal University of Health Sciences Azare（阿扎雷联邦健康科学大学） ； University of Maiduguri Teaching Hospital（迈杜古里大学教学医院） ； Lawson Health Research Institute（劳森健康研究所） ； University of Pennsylvania（宾夕法尼亚大学） ； McGill University（麦吉尔大学） 纠错

专题命中 医学影像 ：MRI(abstract,abstract_cn)；biomedical(abstract)

AI总结 针对中低收入国家医疗设备维护难题，研究人员构建INGENZI_DatasetV1数据集，用QLoRA微调MedGemma-4b-it模型，使维修问答指标大幅提升，为低资源场景AI辅助医疗维护奠定基础。

Comments Accepted at the AFRICAI 2026 Workshop, a satellite event at MICCAI 2026. To appear in Springer Lecture Notes in Computer Science (LNCS)

Transformer is All You Need: Attention-Based Anomaly Detection and Classification in Inverter-Rich Power Systems

你只需要Transformer：基于注意力机制的逆变器密集型电力系统异常检测与分类

Emad Abukhousa, Saman Zonouz, A. P. Sakis Meliopoulos

专题命中 医学影像 ：CT(abstract,abstract_cn)；diagnosis(abstract)

AI总结 研究逆变器密集型电力系统新保护挑战下的异常检测与分类，核心方法是用DL-Xformer与DSE-EBP对比，贡献为给出二者在多类故障和攻击诊断中的表现，推动了智能电网分层保护架构发展。