医学 AI

Measuring Model Robustness via Fisher Information: Spectral Bounds, Theoretical Guarantees, and Practical Algorithms

通过Fisher信息度量模型鲁棒性：谱界、理论保证与实用算法

Chong Zhang, Xiang Li, Jia Wang, Qiufeng Wang, Xiaobo Jin

机构 * University of Science and Technology of China（中国科学技术大学） 纠错

专题命中 医学数据与评测 ：medical image(abstract)；分类 cs.CV、cs.LG

AI总结 提出基于Fisher信息矩阵谱范数的攻击无关鲁棒性度量，理论推导常见架构的闭式谱界，并开发高效估计算法，实验验证其与对抗脆弱性的强相关性。

Comments 35 pages, 1 figure

VAMPS: Visual-Assisted Mathematical Problem Solving Benchmark

VAMPS: 视觉辅助数学问题求解基准

Amirhossein Dabiriaghdam, Shayan Vassef, Mohammadreza Bakhtiari, Yasamin Medghalchi, Ilker Hacihaliloglu, Mesrob Ohannessian, Lele Wang, Giuseppe Carenini

机构 * University of California, Berkeley（加州大学伯克利分校） 纠错

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

AI总结 提出VAMPS基准，通过1,168道双语多选题评估多模态大模型在借助绘图工具进行数学推理时的表现，发现直接解析求解优于工具辅助视觉求解。

Efficient, Validation-Free Intrinsic Quality Estimation for Large-Scale Face Recognition Datasets

面向大规模人脸识别数据集的高效、免验证的内在质量评估

Zhichao Chen, Yongle Zhao, Kaicheng Yang, Meng Yang, Yin Xie, Ziyong Feng

机构 * School of Cyber Science and Technology, University of Science and Technology of China（中国科学技术大学网络科学与技术学院） 纠错

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

AI总结 提出一种无需训练的内在质量（IQ）指标，通过邻域一致性得分和全局表示子空间复杂度来估计人脸识别数据集生成高性能模型的潜力，实现快速数据集诊断与筛选。

Comments ICML 2026

RAM-W600: A Multi-Task Wrist Dataset and Benchmark for Rheumatoid Arthritis

RAM-W600：一种多任务手腕数据集和基准用于类风湿性关节炎

Songxiao Yang, Haolin Wang, Yao Fu, Ye Tian, Tamotsu Kamishima, Masayuki Ikebe, Yafei Ou, Masatoshi Okutomi

机构 * Institute of Science Tokyo（东京科学研究所） ； Hokkaido University（北海道大学） ； The University of Tokyo（东京大学） 纠错

专题命中 医学数据与评测 ：diagnosis(abstract)；分类 cs.CV、eess.IV

AI总结 本文提出RAM-W600数据集，用于类风湿性关节炎的手腕骨实例分割和BE评分，包含1048张放射影像，支持RA相关研究及腕部其他任务。

Comments Published in NeurIPS 2025

Neural Field Thermal Tomography: A Differentiable Physics Framework for Non-Destructive Evaluation

神经场热成像：一种无标签的非破坏性评价可微物理框架

Tao Zhong, Yixun Hu, Dongzhe Zheng, Aditya Sood, Christine Allen-Blanchette

机构 * Princeton University（普林斯顿大学） 纠错

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

AI总结 本文提出NeFTY框架，通过可微隐式欧拉热求解器精确满足偏微分方程，实现无标签三维逆热传导问题的高精度恢复，优于传统PINN和体素网格基线。

Comments 37 pages, 19 figures

GLEAM: A Multimodal Imaging Dataset and HAMM for Glaucoma Classification

GLEAM：一种多模态成像数据集和HAMM用于青光眼分类

Jiao Wang, Chi Liu, Yiying Zhang, Hongchen Luo, Zhifen Guo, Ying Hu, Ke Xu, Jing Zhou, Hongyan Xu, Ruiting Zhou, Man Tang

机构 * Department of Ophthalmology, Shenyang Fourth People’s Hospital（眼科医院，沈阳第四人民医院） 纠错

专题命中 医学数据与评测 ：diagnosis(abstract)；分类 cs.CV、eess.IV

AI总结 本文提出GLEAM数据集，包含三种多模态图像，用于青光眼分类，并提出HAMM方法整合跨模态信息以提高诊断准确性。

FQPDR: Federated Quantum Neural Network for Privacy-preserving Early Detection of Diabetic Retinopathy

FQPDR：联邦量子神经网络用于隐私保护的糖尿病视网膜病变早期检测

Debashis De, Mahua Nandy Pal, Dipankar Hazra

机构 * Department of Computer Science and Engineering, Maulana Abul Kalam Azad University of Technology, West Bengal（计算机科学与工程系，穆拉纳·阿布·卡尔·拉马纳特技术大学，西孟加拉邦） ； Department of Computer Science and Engineering, MCKV Institute of Engineering, West Bengal（计算机科学与工程系，MCKV工程学院，西孟加拉邦） ； Department of Computer Science and Engineering, OmDayal Group of Institutions, West Bengal（计算机科学与工程系，OmDayal学院集团，西孟加拉邦） 纠错

专题命中 医学数据与评测 ：medical image(abstract)；分类 cs.LG、eess.IV

AI总结 本文提出基于联邦学习的量子神经网络(FQPDR)，用于在保护隐私的前提下早期检测糖尿病视网膜病变，通过有限样本和参数实现高效检测。

Journal ref Evolutionary Intelligence (17) 4047 4068 (2024)

Are We Making Progress in Multimodal Domain Generalization? A Comprehensive Benchmark Study

我们是否在多模态领域泛化中取得进展？一个全面的基准研究

Hao Dong, Hongzhao Li, Shupan Li, Muhammad Haris Khan, Eleni Chatzi, Olga Fink

机构 * ETH Zürich（苏黎世联邦理工学院） ； Zhengzhou University（郑州大学） ； MBZUAI（马克斯·普朗克人工智能研究所） ； EPFL（苏黎世联邦理工学院） 纠错

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

AI总结 本文通过MMDG-Bench基准测试，评估了多模态领域泛化方法的有效性，发现现有方法在公平比较下进步有限，且存在领域和模态配置差异，揭示了领域泛化仍需进一步改进。

Comments Code: https://github.com/lihongzhao99/MMDG_Benchmark

RAM-H1200: A Unified Evaluation and Dataset on Hand Radiographs for Rheumatoid Arthritis

RAM-H1200：手部放射影像中类风湿性关节炎的统一评估与数据集

Songxiao Yang, Haolin Wang, Yao Fu, Junmu Peng, Lin Fan, Hongruixuan Chen, Jian Song, Masayuki Ikebe, Shinya Takamaeda-Yamazaki, Masatoshi Okutomi, Tamotsu Kamishima, Yafei Ou

机构 * Institute of Science Tokyo（东京科学研究所） ； Hokkaido University（北海道大学） ； Southwest Jiaotong University（西南交通大学） ； RIKEN（理化学研究所） ； The University of Tokyo（东京大学） 纠错

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

AI总结 本文提出RAM-H1200数据集，用于评估模型在手部放射影像中联合捕捉解剖结构、局部侵蚀性病变和临床标准化RA严重程度的能力，包含1200张放射影像及多级标注。

Comments 50 pages, 24 figures, 25 tables

EgoMAGIC- An Egocentric Video Field Medicine Dataset for Training Perception Algorithms

EgoMAGIC- 一种用于训练感知算法的自拍视频医学数据集

Brian VanVoorst, Nicholas Walczak, Christopher Gilleo, Charles Meissner, Fabio Felix, Iran Roman, Bea Steers, Claudio Silva, Yuhan Shen, Zijia Lu, Shih-Po Lee, Ehsan Elhamifar

机构 * RTX BBN Technologies（RTX BBN技术公司） ； New York University（纽约大学） ； Northeastern University（东北大学） 纠错

专题命中 医学数据与评测 ：medical AI(abstract)；分类 cs.CV、cs.LG

AI总结 本文介绍EgoMAGIC数据集，包含50项医学任务的3355个视频，用于训练感知算法，通过挑战赛推动研究，提供124种医学物体的检测基准。

Comments 9 pages, 4 figures, 3 tables

Concept Inconsistency in Dermoscopic Concept Bottleneck Models: A Rough-Set Analysis of the Derm7pt Dataset

皮肤镜概念瓶颈模型中的概念不一致：对Derm7pt数据集的粗糙集分析

Gonzalo Nápoles, Isel Grau, Yamisleydi Salgueiro

机构 * Department of Intelligent Systems, Tilburg University（蒂尔堡大学智能系统系） ； Information Systems Group, Eindhoven University of Technology（埃因霍温理工大学信息系统组） 纠错

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

AI总结 本文通过粗糙集理论分析Derm7pt数据集中的概念不一致问题，发现16.4%的概念配置存在冲突，导致理论准确率上限为92.1%，并通过过滤策略构建一致数据集并评估CBM模型性能。

MozzaVID: Mozzarella Volumetric Image Dataset

MozzaVID：莫扎瑞拉奶酪体积分类数据集

Pawel Tomasz Pieta, Peter Winkel Rasmussen, Anders Bjorholm Dahl, Jeppe Revall Frisvad, Siavash Arjomand Bigdeli, Carsten Gundlach, Anders Nymark Christensen

机构 * Technical University of Denmark（丹麦技术大学） 纠错

专题命中 医学数据与评测 ：CT(abstract)；分类 cs.CV、eess.IV

AI总结 本文提出MozzaVID数据集，用于体积分类任务，包含25种奶酪类型和149个样本，提供三种分辨率的数据，旨在促进体积分类算法的发展和食品结构研究。

Comments Accepted at MetaFood (CVPR 2026 Workshop)

Learning Superpixel Ensemble and Hierarchy Graphs for Melanoma Detection

学习超像素集合和层次图用于黑色素瘤检测

Asmaa M. Elwer, Muhammad A. Rushdi, Mahmoud H. Annaby

机构 * Department of Biomedical Engineering and Systems, Faculty of Engineering, Cairo University（开罗大学工程学院生物医学工程与系统系） ； School of Information Technology, New Giza University（新吉萨大学信息技术学院） ； Department of Mathematics, Faculty of Science, Cairo University（开罗大学理学院数学系） 纠错

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

AI总结 本文提出基于超像素集合图和层次图的图学习方法，利用纹理、几何和颜色特征提升黑色素瘤检测性能，实验表明学习的超像素集合图在ISIC2017数据集上达到99.00%的准确率和99.59%的AUC。

FeDMRA: Federated Incremental Learning with Dynamic Memory Replay Allocation

FeDMRA: 联邦增量学习中的动态记忆回放分配

Tiantian Wang, Xiang Xiang, Simon S. Du

机构 * Huazhong University of Science and Technology（华中科技大学） ； University of Washington（华盛顿大学） 纠错

专题命中 医学数据与评测 ：medical image(abstract)；分类 cs.CV、cs.LG

AI总结 本文提出动态内存分配策略，以应对联邦医疗系统中非独立同分布数据带来的挑战，通过合理分配存储资源提升模型性能。

An Image Dataset of Common Skin Diseases of Bangladesh and Benchmarking Performance with Machine Learning Models

孟加拉国常见皮肤疾病的图像数据集及与机器学习模型的性能基准测试

Sazzad Hossain, Saiful Islam, Muhammad Ibrahim, Md. Rasel Ahmed, Md Shuayb, Ahmedul Kabir

机构 * Department of Computer Science and Engineering, Faridpur Engineering College, Faridpur, Bangladesh（孟加拉国法里德普尔工程学院计算机科学与工程系） ； Department of Computer Science and Engineering, University of Dhaka, Dhaka, Bangladesh（孟加拉国达卡大学计算机科学与工程系） ； Department of Oncology, Labaid Cancer and Super Speciality Center, Dhaka, Bangladesh（孟加拉国达卡拉贝德癌症与超级专科中心肿瘤科） ； Institute of Information Technology, University of Dhaka, Dhaka, Bangladesh（孟加拉国达卡大学信息技术研究所） 纠错

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

AI总结 本文提出一个包含孟加拉国五种常见皮肤疾病图像的数据集，并评估了多种机器学习模型的分类性能，为皮肤病自动诊断提供支持。

Comments 14 pages

ReXInTheWild: A Unified Benchmark for Medical Photograph Understanding

ReXInTheWild：医疗照片理解的统一基准

Oishi Banerjee, Sung Eun Kim, Alexandra N. Willauer, Julius M. Kernbach, Abeer Rihan Alomaish, Reema Abdulwahab S. Alghamdi, Hassan Rayhan Alomaish, Mohammed Baharoon, Xiaoman Zhang, Julian Nicolas Acosta, Christine Zhou, Pranav Rajpurkar

机构 * Department of Biomedical Informatics, Harvard Medical School（哈佛医学院生物医学信息学系） ； National Strategic Technology Research Institute, Seoul National University Hospital（首尔国立大学医院国家战略技术研究所） ； Department of Medicine, Division of Gastroenterology, Massachusetts General Hospital（麻省总医院内科与消化内科部门） ； Department of Neuroradiology, Heidelberg University Hospital（海德堡大学医院神经放射科部门） ； King Abdulaziz Medical City, National Guard Health Affairs（国王阿卜杜勒-阿齐兹医疗城，国民守卫健康事务局） ； Division of Pulmonary, Critical Care, and Sleep Medicine, University of Cincinnati（辛辛那提大学肺科、重症医学及睡眠医学部门） 纠错

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

AI总结 本文提出ReXInTheWild基准，通过484张医学文献来源的照片和7个临床主题的955个多项选择问题，评估视觉-语言模型对医疗照片内容的理解能力，揭示不同模型在细粒度图像理解和医学推理上的性能差异。

Comments 11 pages, 4 figures

Discovering the Hidden Role of Gini Index In Prompt-based Classification

发现Gini指数在基于提示的分类中的隐藏作用

Ruixi Lin

机构 * Independent Researcher（独立研究者） 纠错

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

AI总结 研究探讨了Gini指数在检测和优化分类准确度差异中的作用，通过实验证明该指数能有效缓解分类准确度不平衡问题，提升弱类表现。

VLM-SubtleBench: How Far Are VLMs from Human-Level Subtle Comparative Reasoning?

VLM-SubtleBench: VLMs在人类水平的细微比较推理方面还有多远？

Minkyu Kim, Sangheon Lee, Dongmin Park

机构 * KRAFTON ； KAIST（韩国科学技术院） 纠错

专题命中 医学数据与评测 ：medical image(abstract)；分类 cs.CV、cs.LG

AI总结 VLM-SubtleBench通过评估VLMs在细微比较推理上的表现，揭示了模型与人类性能之间的差距，并为提升VLMs的推理能力提供了基础。

Comments ICLR 2026

Towards Privacy-Guaranteed Label Unlearning in Vertical Federated Learning: Few-Shot Forgetting without Disclosure

面向垂直联邦学习中隐私保障的标签撤销学习：无需披露的少样本遗忘

Hanlin Gu, Hong Xi Tae, Lixin Fan, Chee Seng Chan

机构 * WeBank AI Lab（WeBank人工智能实验室） ； Universiti Malaya（马来亚大学） 纠错

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

AI总结 本文提出一种面向垂直联邦学习中隐私保障的标签撤销学习方法，通过流形混合机制生成合成嵌入，实现高效标签撤销与性能恢复。

Comments Accepted at ICLR2026. This paper introduces the first method for label unlearning in vertical federated learning (VFL), focused on preventing label leakage by the active party

FedVG: Gradient-Guided Aggregation for Enhanced Federated Learning

FedVG: 基于梯度的聚合以提升联邦学习

Alina Devkota, Jacob Thrasher, Donald Adjeroh, Binod Bhattarai, Prashnna K. Gyawali

机构 * West Virginia University（西弗吉尼亚大学） ； University of Aberdeen（阿伯丁大学） ； Fogsphere (Redev.AI)（Fogsphere（Redev.AI）） 纠错

专题命中 医学数据与评测 ：medical image(abstract)；分类 cs.CV、cs.LG

AI总结 FedVG通过利用全局验证集指导梯度优化，提升联邦学习在异质数据环境下的泛化性能和聚合效果。

Comments Accepted to CVPR 2026 (Findings Track)

GFPL: Generative Federated Prototype Learning for Resource-Constrained and Data-Imbalanced Vision Task

GFPL: 生成式联邦原型学习用于资源受限和数据不平衡的视觉任务

Shiwei Lu, Yuhang He, Jiashuo Li, Qiang Wang, Yihong Gong

机构 * Xi’an Jiaotong University（西安交通大学） ； Air Force Engineering University（空军工程大学） 纠错

专题命中 医学数据与评测 ：medical image(abstract)；分类 cs.CV、cs.LG

AI总结 GFPL通过生成式联邦原型学习方法，解决联邦学习中因多数类特征偏见导致的知识融合效率低下和通信开销过大的问题，提升模型准确率并降低通信成本。

A Very Big Video Reasoning Suite

一个非常大的视频推理套件

Maijunxian Wang, Ruisi Wang, Juyi Lin, Ran Ji, Thaddäus Wiedemer, Qingying Gao, Dezhi Luo, Yaoyao Qian, Lianyu Huang, Zelong Hong, Jiahui Ge, Qianli Ma, Hang He, Yifan Zhou, Lingzi Guo, Lantao Mei, Jiachen Li, Hanwen Xing, Tianqi Zhao, Fengyuan Yu, Weihang Xiao, Yizheng Jiao, Jianheng Hou, Danyang Zhang, Pengcheng Xu, Boyang Zhong, Zehong Zhao, Gaoyun Fang, John Kitaoka, Yile Xu, Hua Xu, Kenton Blacutt, Tin Nguyen, Siyuan Song, Haoran Sun, Shaoyue Wen, Linyang He, Runming Wang, Yanzhi Wang, Mengyue Yang, Ziqiao Ma, Raphaël Millière, Freda Shi, Nuno Vasconcelos, Daniel Khashabi, Alan Yuille, Yilun Du, Ziming Liu, Bo Li, Dahua Lin, Ziwei Liu, Vikash Kumar, Yijiang Li, Lei Yang, Zhongang Cai, Hokin Deng

机构 * University of California, Berkeley（加州大学伯克利分校） ； Nanyang Technological University（南洋理工大学） ； Northeastern University（东北大学） ； University of Tübingen（图宾根大学） ； Johns Hopkins University（约翰霍普金斯大学） ； University of Michigan（密歇根大学） ； University of Southern California（南加州大学） ； Washington University in St. Louis（圣路易斯华盛顿大学） ； Shanghai Jiao Tong University（上海交通大学） ； East China Normal University（华东师范大学） ； Stanford University（斯坦福大学） ； University of Texas at Austin（得克萨斯大学奥斯汀分校） ； University of California, Los Angeles（加州大学洛杉矶分校） ； Cornell University（康奈尔大学） ； San Jose State University（圣何塞州立大学） ； University of California, Irvine（加州大学尔湾分校） ； Technical University of Munich（慕尼黑技术大学） ； University of California, San Diego（加州大学圣地亚哥分校） ； Imperial College London（伦敦帝国学院） ； University of Wisconsin--Madison（威斯康星大学麦迪逊分校） ； University of Edinburgh（爱丁堡大学） ； Hong Kong University of Science（香港科学大学） ； New York University（纽约大学） ； Auburn University（阿伯丁大学） ； Columbia University（哥伦比亚大学） ； University of Bristol（布里斯托大学） ； University of Waterloo（滑铁卢大学） ； The Chinese University of Hong Kong（香港中文大学） ； Carnegie Mellon University（卡内基梅隆大学） ； University of Oxford（牛津大学） ； University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校） 纠错

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

AI总结 VBVR数据集和评估框架旨在解决视频推理能力研究中的大规模数据缺乏问题，通过大规模实验观察到对未见任务的泛化能力。

Comments Homepage: https://video-reason.com/

DM4CT: Benchmarking Diffusion Models for Computed Tomography Reconstruction

DM4CT：用于计算机断层扫描重建的扩散模型基准测试

Jiayang Shi, Daniel M. Pelt, K. Joost Batenburg

机构 * LIACS, Leiden University（莱顿大学LIACS） ； Centrum Wiskunde en Informatica（数学与信息学研究中心） 纠错

专题命中 医学数据与评测 ：CT(abstract)；分类 cs.CV、eess.IV

AI总结 DM4CT通过对比不同方法在CT重建中的表现，评估扩散模型在实际应用中的有效性与局限性。

Comments ICLR 2026

A Pragmatic Note on Evaluating Generative Models with Fréchet Inception Distance for Retinal Image Synthesis

关于使用Fréchet inception距离评估视网膜图像合成生成模型的务实笔记

Yuli Wu, Fucheng Liu, Rüveyda Yilmaz, Henning Konermann, Peter Walter, Johannes Stegmaier

机构 * RWTH Aachen University（亚琛RWTH大学） ； Uniklinik RWTH Aachen（亚琛RWTH医院） ； Heinrich Heine University Düsseldorf（多特蒙德海因里希·海涅大学） 纠错

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

AI总结 本文探讨了在视网膜图像合成中，FID等指标与任务特定评估目标不一致的问题，并指出其在生物医学成像中的局限性。

Comments MIDL 2026

Rotterdam artery-vein segmentation (RAV) dataset

莱顿动脉-静脉分割（RAV）数据集

Jose Vargas Quiros, Bart Liefers, Karin van Garderen, Jeroen Vermeulen, Eyened Reading Center, Caroline Klaver

专题命中 医学数据与评测 ：diagnosis(abstract)；分类 cs.CV、eess.IV

AI总结 莱顿动脉-静脉分割数据集提供高质量彩色视网膜图像及详细分割注释，支持眼科血管分析的机器学习算法开发与评估。

CytoCrowd: A Multi-Annotator Benchmark Dataset for Cytology Image Analysis

CytoCrowd：一种用于细胞学图像分析的多标注基准数据集

Yonghao Si, Xingyuan Zeng, Zhao Chen, Libin Zheng, Caleb Chen Cao, Lei Chen, Jian Yin

机构 * Sun Yat-sen University（中山大学） ； Hong Kong University of Science and Technology（香港科技大学） 纠错

专题命中 医学数据与评测 ：medical image(abstract)；分类 cs.CV、cs.LG

AI总结 CytoCrowd是一个包含446张高分辨率细胞学图像的数据集，提供四个病理学家的冲突注释和一个资深专家的金牌标准，用于评估注释聚合算法和计算机视觉任务的基准测试。

Radiomics in Medical Imaging: Methods, Applications, and Challenges

医学影像中的放射组学：方法、应用与挑战

Fnu Neha, Deepak kumar Shukla

专题命中 医学数据与评测 ：medical image(abstract)；分类 cs.LG、eess.IV

AI总结 本文系统分析了放射组学的全流程，探讨了特征稳定性、模型可靠性及临床转化有效性，并提出了标准化、领域转移和临床部署等未来研究方向。

Benchmarking the Influence of Pre-training on Explanation Performance in MR Image Classification

在MRI分类任务中评估预训练对解释性能影响的基准测试

Marta Oliveira, Rick Wilming, Benedict Clark, Céline Budding, Fabian Eitel, Kerstin Ritter, Stefan Haufe

机构 * Physikalisch-Technische Bundesanstalt（物理技术联邦机构） ； Technische Universität Berlin（技术大学柏林） ； Charité – Universitätsmedizin Berlin（柏林查理医院） 纠错

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

AI总结 本文提出一个MRI分类任务的基准数据集，评估迁移学习对解释性能的影响，发现不同XAI方法在相同模型上表现差异显著，且解释性能依赖于预训练任务和CNN层数量。

Comments Under review

Beyond Knowledge Silos: Task Fingerprinting for Democratization of Medical Imaging AI

突破知识孤岛：面向医学影像AI的任务指纹化以实现民主化

Patrick Godau, Akriti Srivastava, Constantin Ulrich, Tim Adler, Klaus Maier-Hein, Lena Maier-Hein

机构 * National Center for Tumor Diseases (NCT)（肿瘤疾病国家中心） ； German Cancer Research Center (DKFZ) Heidelberg（德国癌症研究中心（Heidelberg）） ； Faculty of Mathematics and Computer Science（数学和计算机科学学院） ； Heidelberg University（海德堡大学） ； HIDSS4Health - Helmholtz Information and Data Science School for Health（HIDSS4Health - 健康信息与数据科学学校） ； Medical Faculty（医学学院） ； Pattern Analysis and Learning Group（模式分析与学习小组） 纠错

专题命中 医学数据与评测 ：medical image(abstract)；分类 cs.CV、cs.LG

AI总结 本文提出了一种基于任务指纹的医学影像AI知识转移框架，通过量化任务相似性促进知识共享与协作模型训练，提升AI在医学影像领域的民主化进程。

A large-scale heterogeneous 3D magnetic resonance brain imaging dataset for self-supervised learning

一种大规模异构三维磁共振脑成像数据集用于自监督学习

Stefano Cerri, Asbjørn Munk, Jakob Ambsdorf, Julia Machnio, Sebastian Nørgaard Llambias, Vardan Nersesjan, Christian Hedeager Krag, Peirong Liu, Pablo Rocamora García, Mostafa Mehdipour Ghazi, Mikael Boesen, Michael Eriksen Benros, Juan Eugenio Iglesias, Mads Nielsen

机构 * Department of Computer Science, University of Copenhagen（计算机科学系，哥本哈根大学） ； Pioneer Centre For AI（人工智能先锋中心） ； Copenhagen Research Centre for Biological and Precision Psychiatry（哥本哈根生物与精准精神病学研究中心） ； Mental Health Centre Copenhagen（哥本哈根心理健康中心） ； Copenhagen University Hospital（哥本哈根大学医院） ； Rigshospitalet（皇家医院） ； Radiological AI Testcenter（放射学AI测试中心） ； Athinoula A. Martinos Center for Biomedical Imaging（Athinoula A. Martinos生物医学成像中心） ； Massachusetts General Hospital and Harvard Medical School（麻省总医院和哈佛医学院） ； Johns Hopkins University（约翰霍普金斯大学） 纠错

专题命中 医学数据与评测 ：MRI(abstract)；分类 cs.CV、eess.IV

AI总结 FOMO300K是一个大规模异构三维磁共振脑成像数据集，旨在支持自监督学习在医学影像中的发展和评估。