医学 AI

COVID-19 Computer-aided Diagnosis through AI-assisted CT Imaging Analysis: Deploying a Medical AI System

Demetris Gerogiannis, Anastasios Arsenos, Dimitrios Kollias, Dimitris Nikitopoulos, Stefanos Kollias

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

Comments accepted at IEEE ISBI 2024

Domain adaptation, Explainability & Fairness in AI for Medical Image Analysis: Diagnosis of COVID-19 based on 3-D Chest CT-scans

Dimitrios Kollias, Anastasios Arsenos, Stefanos Kollias

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

Knowledge AI: New Medical AI Solution for Medical image Diagnosis

Yingni Wang, Shuge Lei, Jian Dai, Kehong Yuan

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

Comments 9 pages,8 figures. arXiv admin note: text overlap with arXiv:2101.02639

Classification of COVID-19 cases from chest CT volumes using hybrid model of 3D CNN and 3D MLP-Mixer

基于3D CNN与3D MLP-Mixer混合模型的胸部CT影像的COVID-19病例分类

Masahiro Oda, Tong Zheng, Yuichiro Hayashi, Yoshito Otake, Masahiro Hashimoto, Toshiaki Akashi, Shigeki Aoki, Kensaku Mori

机构 * Nagoya University（名古屋大学） ； Graduate School of Informatics, Nagoya University（名古屋大学信息学研究科） ； Graduate School of Science and Technology, Nara Institute of Science and Technology（奈良先端科学技术大学院大学科学技术研究科） ； Research Center for Medical Bigdata, National Institute of Informatics（信息学研究所医疗大数据研究中心） ； Keio University School of Medicine（庆应义塾大学医学院） ； Juntendo University（顺天堂大学） 纠错

专题命中 医学影像 ：CT(title,title_cn)；diagnosis(abstract,journal_ref)；分类 cs.CV

AI总结 针对COVID-19患者激增导致的医疗人力短缺问题，本文提出由3D CNN与3D MLP-Mixer组成的混合模型，在含1205份CT影像的数据集上取得79.5%的分类准确率，优于传统3D CNN模型。

Comments Accepted as a poster presentation in SPIE Medical Imaging 2023

Journal ref Proceedings of SPIE Medical Imaging 2023, Computer-Aided Diagnosis, Vol. 12465

Automated classification method of COVID-19 cases from chest CT volumes using 2D and 3D hybrid CNN for anisotropic volumes

基于2D和3D混合卷积神经网络的各向异性体积胸部CT影像COVID-19病例自动分类方法

Masahiro Oda, Tong Zheng, Yuichiro Hayashi, Yoshito Otake, Masahiro Hashimoto, Toshiaki Akashi, Shigeki Aoki, Kensaku Mori

机构 * Nagoya University（名古屋大学） ； Keio University School of Medicine（庆应义塾大学医学院） ； Juntendo University（顺天堂大学） 纠错

专题命中 医学影像 ：CT(title,title_cn)；diagnosis(abstract,journal_ref)；分类 cs.CV

AI总结 该研究针对COVID-19诊断需求，提出含2D/3D混合特征提取流的CNN，在1288例CT数据集上实现83.3%的平均分类准确率，优于无混合流的CNN，可辅助缓解医疗人力短缺。

Comments Oral Presentation in SPIE Medical Imaging 2022

Journal ref Proceedings of SPIE Medical Imaging 2022, Computer-Aided Diagnosis, Vol. 12033

Energy-based Tissue Manifolds for Longitudinal Multiparametric MRI Analysis

基于能量的组织流形用于纵向多参数MRI分析

Kartikay Tehlan, Lukas Förner, Sina Wendrich, Nico Schmutzenhofer, Michael Frühwald, Matthias Wagner, Nassir Navab, Thomas Wendler

机构 * Dept. of diagnostic and interventional Radiology and Neuroradiology, University Hospital Augsburg, Germany（诊断与介入放射科和神经放射科，奥格斯堡大学医院，德国） ； Digital Medicine, University Hospital Augsburg, Germany（数字医学，奥格斯堡大学医院，德国） ； Chair for Computer Aided Medical Procedures and Augmented Reality, Technical University of Munich, Germany（计算机辅助医疗程序与增强现实 chair，慕尼黑技术大学，德国） ； Bavarian Center for Cancer Research (BZKF) Augsburg, Germany（巴伐利亚癌症研究中心（BZKF）奥格斯堡，德国） ； Dept. of Pediatrics and Adolescent Medicine, University Hospital Augsburg, Germany（儿科和青少年医学科，奥格斯堡大学医院，德国） ； Center for Advanced Analytics and Predictive Sciences, University of Augsburg, Germany（高级分析与预测科学中心，奥格斯堡大学，德国） 纠错

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

AI总结 本文提出了一种基于患者特定能量建模的几何框架，用于纵向多参数MRI分析，通过训练紧凑的隐式神经表示来学习能量函数，为组织状态提供微分几何描述，无需分割标签，展示了患者特定能量流形在纵向mpMRI分析中的应用潜力。

Comments The code is available at https://github.com/tkartikay/EnFold-MRI

A multi-agent system for spine MRI report generation from multi-sequence imaging

基于多序列影像的脊柱MRI报告生成多智能体系统

Zhiping Xiao, Junwei Yang, Gongbo Sun, Han Zhang, Hanwen Xu, Yi Yao, Zachary D. Miller, William E. King, Mohammed M. Kanani, Jalal B. Andre, Sammy Chu, Ming Zhang, Paul E. Kinahan, Nathan M. Cross, Sheng Wang

机构 * University of Washington（华盛顿大学） ； Peking University（北京大学） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； New York University（纽约大学） ； University of Washington Medical Center（华盛顿大学医学中心） 纠错

专题命中 医学影像 ：MRI(title,title_cn)；pathology(abstract)；分类 cs.CV、q-bio

AI总结 提出SpineAgent多智能体框架，利用多序列基础模型整合T1/T2等序列信息，实现脊柱MRI报告生成、病理定位和图文检索，在跨厂商和跨队列评估中表现优异。

MedGemma 1.5 Technical Report

MedGemma 1.5 技术报告

Andrew Sellergren, Chufan Gao, Fereshteh Mahvar, Timo Kohlberger, Fayaz Jamil, Madeleine Traverse, Alberto Tono, Bashir Sadjad, Lin Yang, Charles Lau, Liron Yatziv, Tiffany Chen, Bram Sterling, Kenneth Philbrick, Richa Tiwari, Yun Liu, Madhuram Jajoo, Chandrashekar Sankarapu, Swapnil Vispute, Harshad Purandare, Abhishek Bijay Mishra, Sam Schmidgall, Tao Tu, Anil Palepu, Chunjong Park, Tim Strother, Rahul Thapa, Yong Cheng, Preeti Singh, Kat Black, Yossi Matias, Katherine Chou, Avinatan Hassidim, Kavi Goel, Joelle Barral, Tris Warkentin, Shravya Shetty, Dale Webster, Sunny Virmani, David F. Steiner, Can Kirmizibayrak, Daniel Golden

机构 * Google Research and Google DeepMind（谷歌研究与谷歌深Mind） 纠错

专题命中 医学影像 ：MRI(summary_cn,abstract)；CT(summary_cn,abstract)；medical AI(abstract)；pathology(abstract)

AI总结 MedGemma 1.5 增强了医学影像处理、解剖定位和多时间点胸部X光分析能力，显著提升了3D MRI和CT分类精度，并在病理图像和临床知识推理中取得突破性进展。

CNN-ViT Fusion with Adaptive Attention Gate for Brain Tumor MRI Classification: A Hybrid Deep Learning Model

结合自适应注意力门的CNN-ViT融合模型用于脑肿瘤MRI分类：一种混合深度学习模型

Syed Ibad Hasnain, Muhammad Faris, Hafiza Syeda Yusra Tirmizi, Rabail Khowaja, Hafsa Israr

机构 * Department of Biomedical Engineering（生物医学工程系） ； Hamdard University（哈姆达德大学） ； Sir Syed University（西迪·萨伊德大学） 纠错

专题命中 医学影像 ：MRI(title,title_cn)；medical image(abstract)；分类 cs.CV、q-bio

AI总结 本文提出一种融合CNN和ViT的混合模型，通过自适应注意力门动态加权局部和全局特征，提升脑肿瘤MRI分类性能，实验结果显示其准确率、召回率等指标均优于传统方法。

Comments 9 pages, 4 figures, submitted as conference paper

Online learning for X-ray, CT or MRI

Mosabbir Bhuiyan, MD Abdullah Al Nasim, Sarwar Saif, Kishor Datta Gupta, Md Jahangir Alam, Sajedul Talukder

专题命中 医学影像 ：MRI(title,abstract)；CT(title,abstract)；medical image(abstract)；diagnosis(abstract)

Comments 14 pages, 17 figures, 1 table; Acceptance of the chapter for the Springer book "Data-driven approaches to medical imaging"

Feature Imitating Networks Enhance The Performance, Reliability And Speed Of Deep Learning On Biomedical Image Processing Tasks

Shangyang Min, Hassan B. Ebadian, Tuka Alhanai, Mohammad Mahdi Ghassemi

专题命中 医学影像 ：medical image(title,abstract)；biomedical(title,abstract)；MRI(abstract)；CT(abstract)

Adaptive Smooth Activation for Improved Disease Diagnosis and Organ Segmentation from Radiology Scans

Koushik Biswas, Debesh Jha, Nikhil Kumar Tomar, Gorkem Durak, Alpay Medetalibeyoglu, Matthew Antalek, Yury Velichko, Daniela Ladner, Amir Bohrani, Ulas Bagci

专题命中 医学影像 ：diagnosis(title,abstract)；radiology(title)；medical image(abstract)；MRI(abstract)

U-Net-and-a-half: Convolutional network for biomedical image segmentation using multiple expert-driven annotations

Yichi Zhang, Jesper Kers, Clarissa A. Cassol, Joris J. Roelofs, Najia Idrees, Alik Farber, Samir Haroon, Kevin P. Daly, Suvranu Ganguli, Vipul C. Chitalia, Vijaya B. Kolachalama

专题命中 医学影像 ：medical image(title,abstract)；biomedical(title,abstract)；pathology(abstract)；radiology(abstract)

Comments https://github.com/vkola-lab/unaah

Computer-Assisted Analysis of Biomedical Images

Leonardo Rundo

专题命中 医学影像 ：medical image(title,abstract)；biomedical(title,abstract)；diagnosis(abstract)；radiology(abstract)

Comments PhD Thesis in Computer Science, University of Milano-Bicocca, Milan, Italy

Fusing Medical Image Features and Clinical Features with Deep Learning for Computer-Aided Diagnosis

Songxiao Yang, Xiabi Liu, Zhongshu Zheng, Wei Wang, Xiaohong Ma

专题命中 医学影像 ：medical image(title,abstract)；diagnosis(title,abstract)；MRI(abstract)；CT(abstract)

Comments 10 pages, 2 figures

From Alignment to Synthesis Contrastive Volumetric Grounding for Text-to-CT Generation

从对齐到合成：用于文本到CT生成的对比体 grounding

Daniele Molino, Camillo Maria Caruso, Filippo Ruffini, Paolo Soda, Valerio Guarrasi

机构 * Unit of Artificial Intelligence and Computer Systems, Department of Engineering, Università Campus Bio-Medico di Roma（人工智能与计算机系统单位，工程系，罗马生物医学大学） ； Department of Diagnostics and Intervention, Biomedical Engineering and Radiation Physics, Umeå University（诊断与干预部门，生物医学工程与放射物理学，乌梅拉大学） 纠错

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

AI总结 该研究针对文本到CT生成的视觉-语言对齐瓶颈，提出带结构化难负样本的3D-CLIP编码器，结合端到端潜在扩散模型，在CT-RATE数据集上实现了优于现有方法的性能。

Comments Accepted at BMVC 2026

Beyond Fluency: A Clinical Benchmark and Anomaly-Enhanced Baseline for Spine MRI Report Generation

超越流畅性：脊柱MRI报告生成的临床基准与异常增强基线

Bruno Palau, Franziska Vogt, Daria Laslo, Haobo Li, Ender Konukoglu, Maria Monzon, Catherine R. Jutzeler

机构 * ETH Zurich（苏黎世联邦理工学院） ； Swiss Institute of Bioinformatics (SIB)（瑞士生物信息学研究所） 纠错

专题命中 医学影像 ：MRI(title,title_cn)；radiology(abstract)；分类 cs.CV

AI总结 该研究针对放射学报告的耗时与阅片差异问题，构建腰椎MRI的VLM临床基准，提出半监督U-Net++生成异常热图增强VLM的框架，提升诊断可靠性与可解释性。

Comments Maria Monzon and Catherine R. Jutzeler contributed equally as shared last authors. Accepted at the CV4Clinic Workshop, CVPR 2026

Journal ref Proc. IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) Workshops, 2026, pp. 6759-6770

PRISM-Net: Patient-specific reference-guided inter-breast symmetry matching for three-class breast DCE-MRI classification

PRISM-Net：用于三类乳腺DCE-MRI分类的患者特异性参考引导跨乳腺对称匹配

Boya Zhang, Shuaiwen Zhou, Di Kong, Mingxu Wang, Wenbiao Du, Yiman Zhong, Yuexin Duan, Xiawei Yue, Liuquan Cheng, Xiru Li

机构 * Nankai University（南开大学） ； Zhongguancun Academy（中关村学院） ； The First Medical Center of Chinese PLA General Hospital（中国人民解放军总医院第一医学中心） ； Beijing University of Posts and Telecommunications（北京邮电大学） ； The Six Medical Center of Chinese PLA General Hospital（中国人民解放军总医院第六医学中心） ； Tsinghua University（清华大学） 纠错

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

AI总结 该研究针对乳腺DCE-MRI分类中患者特异性背景变异性问题，提出PRISM-Net无配准双侧框架，利用对侧乳腺特征建模跨乳腺对应，在多数据集上优于基线，提升了乳腺病灶分类性能。

Comments 15 pages, 7 figures, 5 tables

Big, Bright, or Invisible: A Frozen-Feature Benchmark of 3D CT Foundation Models

大的、明亮的还是不可见的：3D CT基础模型的冻结特征基准测试

Maulik Chevli, Johannes Brandt, Rickmer Braren, Daniel Rueckert, Philip Müller

机构 * Technical University of Munich (TUM)（慕尼黑工业大学（TUM）） ； TUM University Hospital（慕尼黑工业大学医院） ； Imperial College London（伦敦帝国理工学院） ； Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心） ； UKE Hamburg（汉堡大学医院） 纠错

专题命中 医学影像 ：CT(title,title_cn)；pathology(abstract)；分类 cs.CV

AI总结 本研究对10个冻结CT编码器开展基准测试，发现性能主要取决于异常的对比度与空间范围，小型低对比度病变仍是挑战，需区域或病变级预训练。

HexMIL: Hierarchical Attention MIL for Ante-Hoc Explainable Detection of AI-Manipulated CT Volumes

HexMIL：用于AI篡改CT体积事前可解释检测的分层注意力多实例学习

Orazio Pontorno, Luca Guarnera, Zahid Akhtar, Sebastiano Battiato

机构 * University of Catania（卡塔尼亚大学） ； State University of New York Polytechnic Institute（纽约州立大学理工学院） 纠错

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

AI总结 HexMIL是一种无掩码的医疗深度伪造检测器，采用分层注意力多实例学习，利用二元体积级监督实现AI篡改CT体积的事前可解释检测，在跨生成器泛化任务中性能优于基线。

Comments Accepted at ACM Multimedia 2026 (MM '26)

Journal ref Proceedings of the 34th ACM International Conference on Multimedia (MM '26), November 10--14, 2026, Rio de Janeiro, Brazil

Enhancing Low Back Pain Assessment with Diffusion Models for Lumbar Spine MRI Segmentation

利用扩散模型增强下腰痛评估的腰椎MRI分割

Maria Monzon, Thomas Iff, Ender Konukoglu, Catherine R. Jutzeler

机构 * ETH Zürich（苏黎世联邦理工学院） ； Swiss Institute of Bioinformatics (SIB)（瑞士生物信息学研究所） 纠错

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

AI总结 本研究提出SpineSegDiff扩散框架，基于SPIDER数据集实现腰椎MRI的语义分割，性能接近nnUnet，可提升退化椎间盘识别，不确定性图助力临床审查，有望增强下腰痛的诊断与管理。

Comments Maria Monzon and Thomas Iff contributed equally to this work. Published in Proceedings of The 8th International Conference on Medical Imaging with Deep Learning (MIDL 2025), PMLR volume 301, pages 1145-1163, 2026

Journal ref Proceedings of Machine Learning Research 301:1145-1163, 2026

Virtual Patients, Real Gains: Digital Twin-Based Simulated CT for Multitask Lung Nodule Analysis

虚拟患者，真实获益：基于数字孪生的模拟CT用于多任务肺结节分析

Fakrul Islam Tushar, Lavsen Dahal, Paul Segars, Joseph Y. Lo

机构 * Center for Virtual Imaging trials, Dept. of Radiology, Duke University Medical Center（虚拟成像中心，放射科，杜克大学医学中心） ； Dept. of Electrical and Computer Engineering, Pratt School of Engineering, Duke University（电气与计算机工程系，工程学院，杜克大学） 纠错

专题命中 医学影像 ：CT(title,title_cn)；medical AI(abstract)；分类 cs.LG

AI总结 该研究基于Virtual Lung Screening Trial框架生成虚拟CT数据，训练相关模型提升肺结节检测、分割、分类性能，可解决医学AI的标注CT数据稀缺问题。

Comments Accepted to the MICCAI SASHIMI 2026 Workshop

Learning How Much, Not Just What: Cross-Patient Burden Order for CT Vision-Language Pretraining

学习多少，而非仅学习是什么：用于CT视觉-语言预训练的跨患者负担顺序

Guoliang You, Haifan Gong, Xiaomeng Chu

专题命中 医学影像 ：CT(title,title_cn)；pathology(abstract)；分类 cs.CV

AI总结 本研究提出Spectrum框架，利用跨患者弱负担顺序补充解剖感知对应关系，无需纵向数据即可学习负担感知CT表示，在CT-RATE和RAD-ChestCT数据集上取得良好性能。

Comments 9 pages, 5 figures

SCMA: Structure-Conditioned and Metal-Aware Flow Matching for CT Metal Artifact Reduction

SCMA：用于CT金属伪影减少的结构条件化与金属感知流匹配

Heran Wang, Jianing Sun, Xu Jiang, Genwei Ma, Jigang Duan, Xing Zhao

机构 * School of Mathematical Sciences, Capital Normal University（首都师范大学数学科学学院） ； College of Mathematics Science, Inner Mongolia Normal University（内蒙古师范大学数学科学学院） ； National Center for Applied Mathematics Beijing, Capital Normal University（首都师范大学北京应用数学中心） ； Academy for Multidisciplinary Studies, Capital Normal University（首都师范大学交叉科学研究院） 纠错

专题命中 医学影像 ：CT(title,title_cn)；diagnosis(abstract)；分类 cs.CV

AI总结 该研究针对X射线CT金属伪影问题，提出SCMA框架，通过结构条件化、金属感知损失及投影一致性校正提升伪影抑制与结构保留效果，实验验证其性能优于现有MAR方法。

AuricularWorld: Hierarchical Action-Guided World Modeling for Fine-Grained Auricular Structure Segmentation from CT Scans

AuricularWorld：用于CT扫描中耳部结构细粒度分割的分层动作引导世界建模

Jingwen Yang, Senmao Wang, Luoyao Kang, Runmeng Cui, Keying Zhang, Yunjia Bao, Haifan Gong, Lin Lin, Haiyue Jiang

机构 * Plastic Surgery Hospital, Chinese Academy of Medical Sciences & Peking Union Medical College（中国医学科学院北京协和医学院整形外科医院） ； The Chinese University of Hong Kong（香港中文大学） ； The Chinese University of Hong Kong (Shenzhen)（香港中文大学（深圳）） 纠错

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

AI总结 该研究针对CT耳部细粒度分割难题，提出分层动作引导的AuricularWorld世界建模框架，通过迭代解剖学推理提升分割精度，使HD95降低超43%，验证了潜在世界模型推理的有效性。

Anatomy Contextualized Adaption of CT Foundation Models

CT基础模型的解剖学上下文适配

Roshan Kenia, Stephanie L McNamara, William Lotter

机构 * Harvard Medical School（哈佛医学院） ； Dana-Farber Cancer Institute（达纳-法伯癌症研究所） ； Massachusetts General Hospital（麻省总医院） ； Brigham and Women’s Hospital（布里格姆妇女医院） 纠错

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

AI总结 本研究提出轻量框架ACA，适配冻结CT基础模型实现解剖学级视觉-语言对齐，在Merlin、CT-RATE数据集上零样本发现分类性能优于基线，训练耗时短且可保留增强全局解剖学上下文。

Comments Accepted to the European Conference on Computer Vision (ECCV) 2026 MedFM-Bench Workshop

PatchDenoiser: Parameter-efficient multi-scale patch learning and fusion denoiser for Low-dose CT imaging

PatchDenoiser: 一种参数高效、多尺度补丁学习与融合的低剂量CT图像去噪器

Jitindra Fartiyal, Pedro Freire, Sergei K. Turitsyn, Sergei G. Solovski

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

AI总结 PatchDenoiser通过多尺度补丁学习与融合，提供轻量高效且鲁棒的低剂量CT图像去噪方法，显著提升去噪性能并降低计算成本。

OrganLens: Organ-Specific Representation Learning for CT Foundation Models

OrganLens：用于CT基础模型的器官特异性表征学习

Zhixuan Ge, Anqi Li, Sadeer Al-Kindi, Hanwen Xu, Wei Qiu

机构 * Rice University（莱斯大学） ； University of Washington（华盛顿大学） 纠错

专题命中 医学影像 ：CT(title,title_cn)；biomedical(abstract)；分类 cs.CV

AI总结 研究针对CT检查中特定器官表征需求，提出OrganLens通过自监督学习，用器官标识调节共享编码器，经器官特异性蒸馏等方法获取器官特异性表征，在多数据集评估中提升指标，提供了可扩展方法和 reusable 框架。

Comments 16 pages, 7 figures, 5 tables

Toward a Vision-Language Foundation Model for Medical Data: Multimodal Dataset and Benchmarks for Vietnamese PET/CT Report Generation

迈向医学数据的视觉-语言基础模型：越南语PET/CT报告生成的多模态数据集和基准

Huu Tien Nguyen, Dac Thai Nguyen, The Minh Duc Nguyen, Trung Thanh Nguyen, Thao Nguyen Truong, Huy Hieu Pham, Johan Barthelemy, Minh Quan Tran, Thanh Tam Nguyen, Quoc Viet Hung Nguyen, Quynh Anh Chau, Hong Son Mai, Thanh Trung Nguyen, Phi Le Nguyen

机构 * AI4LIFE, Hanoi University of Science and Technology, Vietnam（AI4LIFE，河内科学技术大学，越南） ； Nagoya University, Japan（名古屋大学，日本） ； AIST, Japan（日本国家先进工业技术研究院） ； VinUniversity, Vietnam（文园大学，越南） ； NVIDIA, USA（NVIDIA，美国） ； Griffith University, Australia（格里菲斯大学，澳大利亚） ； Hanoi Medical University, Vietnam（河内医学院，越南） ； Military Central Hospital, Vietnam（越南108中央军医院） 纠错

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

AI总结 本文提出了一种面向越南语医学数据的多模态数据集和基准，旨在解决医学影像领域中PET/CT数据不足和低资源语言代表性不足的问题。

Comments 39th Conference on Neural Information Processing Systems (NeurIPS 2025) Track on Datasets and Benchmarks

Causal-Adversarial Probing of Clinical Covariates for Prostate MRI Grading

用于前列腺MRI分级的临床协变量的因果对抗探究

Yipei Wang, Shiqi Huang, Wen Yan, Weixi Yi, Dean C. Barratt, Mark Emberton, Daniel C. Alexander, Veeru Kasivisvanathan, Yipeng Hu

机构 * University College London（伦敦大学学院） ； Medical University of Vienna（维也纳医科大学） 纠错

专题命中 医学影像 ：MRI(title,title_cn)；pathology(abstract)；分类 cs.CV

AI总结 研究针对前列腺MRI分级模型，提出因果推理框架，通过对抗框架抑制临床协变量可解码性来探究其依赖性。经实验，在2903例检查及576例患者验证，发现不同临床变量与分级模型的关系，为区分有害依赖和信息信号提供分析。