医学 AI

Strong Likelihood Principle: Strengthening a Principle or Misunderstanding the Likelihood Function

强似然原理：强化原理还是误解似然函数

Paul William Vos

专题命中 诊断辅助 ：diagnosis(abstract)

AI总结 本文重新审视强似然原理，指出其源于对似然函数定义域的混淆，通过二项分布与负二项分布族的比较及Fisher信息度量几何结构，论证强似然原理退化为弱似然原理。

Comments 15 pages, 3 figures

PACT: Learning Diverse Diagnostic Strategies via Privileged Synthesis and Branch Consensus

PACT: 通过特权合成与分支共识学习多样化诊断策略

Gen Li, Yuanze Hu, Zhichao Yang, Qingchen Yu, Jianwei Lv, Yue Guo, Yujing Liu, Faguo Wu, Hongwei Zheng, Xiandong Li, Bo Yuan, Yifan Sun, Zhaoxin Fan

机构 * Beihang University（北京航空航天大学） ； Baidu（百度） ； ByteDance（字节跳动） ； Beijing Academy of Blockchain and Edge Computing（北京区块链与边缘计算研究院） ； Renmin University of China（中国人民大学） 纠错

专题命中 诊断辅助 ：diagnosis(abstract)

AI总结 提出PACT框架，通过特权合成对话数据和多分支共识训练，使LLM同时学习多种诊断推理范式，在中文医疗诊断基准上取得最优性能。

Comments 16 pages, 5 figures, 5 tables

Auditable Graph-Guided Root Cause Analysis for Kubernetes Incidents

可审计的图引导的Kubernetes事件根因分析

Anastasiia Kuvshinova, Seungmin Jin

机构 * University of California, Berkeley（加州大学伯克利分校） ； Stanford University（斯坦福大学） 纠错

专题命中 诊断辅助 ：diagnosis(abstract)

AI总结 提出Graph Traversal Agent，结合LLM推理与确定性图操作，通过类型化证据图、有界搜索和独立验证实现可审计的根因分析，在ITBench上F1从0.6087提升至0.9130。

Comments 8 pages, 1 figure. Preprint

Clinical Reasoning in the Age of AI: Longitudinal Cognition and Human-AI Collaboration

人工智能时代的临床推理：纵向认知与人机协作

Irene Yi, Grace Brown, Sufian Aldogom, Nathan Roll, Eric J. Basile, Pamela M. Resnikoff, Bianca Sanchez, Chirag Lodha, Isaac Gutterman, Oscar Schiff, Keira Salata, Benjamin Mujkic, Ammar Ahmed

专题命中 诊断辅助 ：medical AI(abstract)

AI总结 本研究通过混合方法揭示临床推理的纵向结构，发现当前AI系统主要支持单次就诊任务，与医生多就诊的推理过程存在关键不匹配，为设计更符合真实临床推理的AI系统提供方向。

Agentic multi-fidelity learning of quasiparticle and excitonic properties

准粒子和激子性质的智能多保真学习

Arnab Neogi, Aaron Forde, Christopher A. Lane, Sergei Tretiak, Jian-Xin Zhu

机构 * Theoretical Division, Los Alamos National Laboratory（洛斯阿拉莫斯国家实验室理论部） ； Center for Integrated Nanotechnologies, Materials Physics and Applications Division, Los Alamos National Laboratory（集成纳米技术中心，材料物理与应用部，洛斯阿拉莫斯国家实验室） 纠错

专题命中 诊断辅助 ：diagnosis(abstract)

AI总结 提出智能引导的多保真框架，通过置信度加权和少量高精度参考点，结合机器学习校正GW-BSE计算中的数值不稳定性，准确预测应变MoS2-WS2双层中的准粒子带隙和激子结合能。

The First Human-Based In Vitro Flow Loop and Quantification for Fetal Aortic Hemodynamics

首个基于人体胎儿的体外血流回路及胎儿主动脉血流动力学量化

Kamlesh Kumar, Biao Si, Pritom Saha, Shuping Ge, Zhenglun Alan Wei

专题命中 诊断辅助 ：diagnosis(abstract)

AI总结 本研究构建首个基于人体胎儿解剖的体外血流回路，通过粒子图像测速技术量化正常与主动脉缩窄条件下的血流动力学，发现三维速度测量对壁面剪切应力评估至关重要，有望提升产前诊断。

Application of Fractional Polynomial Model Based on Bayesian Criterion in Cerebrovascular Diseases: A Robust Framework for Occlusion Simulation and Topology Reconstruction

基于贝叶斯准则的分数多项式模型在脑血管疾病中的应用：用于闭塞模拟和拓扑重建的稳健框架

Yu Zhong, Luyao Li

专题命中 诊断辅助 ：diagnosis(abstract)

AI总结 针对传统多项式拟合在脑血管诊断中的阶数选择、过拟合和振荡问题，提出基于有效阶数和贝叶斯信息准则的分数多项式拟合模型，在379例临床数据中拟合精度、抗噪性和计算效率均优于传统方法，并成功应用于血管缺失段预测。

OncoTriad-QA: A Patient-Level Radiology-Pathology-Genomics Benchmark for Pan-Cancer Reasoning

OncoTriad-QA：用于泛癌推理的患者级放射学-病理学-基因组学基准

Ahnaf Munir, Dannong Wang, Michael W. McDonald, Mubarak Shah, Pegah Khosravi, Yu Tian

专题命中 病理影像 ：pathology(title,abstract)；radiology(title,abstract)；MRI(abstract,abstract_cn)；CT(abstract,abstract_cn)

AI总结 本文提出OncoTriad-QA多模态癌症问答基准及OncoVLM模型，实验显示OncoVLM经微调后在泛癌问答任务上优于现有模型，该基准可用于相关模型的训练与评估。

DS@GT ARC at MEDIQA-CORE-Task-1 2026: Trimodal Model Fusion with Task-Specific Gates for Brain Tumor Subtype Classification

DS@GT ARC团队参与2026 MEDIQA-CORE-Task-1：采用带任务特定门控的三模态模型融合进行脑肿瘤亚型分类

Hoang Thanh Thanh Truong, Charles R. Clark

机构 * Georgia Institute of Technology（佐治亚理工学院） ； University of Florida（佛罗里达大学） 纠错

专题命中 病理影像 ：MRI(abstract,abstract_cn)；pathology(abstract)；diagnosis(abstract)；radiology(abstract)

AI总结 DS@GT ARC团队针对2026 MEDIQA-CORE-Task-1，提出带任务特定门控的三模态模型融合方法，结合多类嵌入与报告，获全多模态下0.801宏F1，排名第二。

Comments CLEF 2026 Working Notes, 21 - 24 September 2026, Jena, Germany

Harnessing Adversarial Distillation to Customise Debiased, Disease-Specific Pathology Foundation Models for Breast Cancer

利用对抗蒸馏定制去偏差的、针对乳腺癌的疾病专用病理学基础模型

Zhiwei Chen, Yang Hu, Yuxiang Xiao, Yakun Ju, Tianyang Zhang, Yingxue Xu, Wei Li, Hao Chen, Jens Rittscher, Kaixiang Yang

机构 * School of Computer Science and Engineering, South China University of Technology（华南理工大学计算机科学与工程学院） ； School of Computing and Mathematical Sciences, University of Leicester（莱斯特大学计算与数学科学学院） ； Leicester Cancer Research Centre, University of Leicester（莱斯特大学莱斯特癌症研究中心） ； Department of Engineering Science, University of Oxford（牛津大学工程科学系） ； Nuffield Department of Medicine, University of Oxford（牛津大学纳菲尔德医学院） ； Department of Computer Science and Engineering, The Hong Kong University of Science and Technology（香港科技大学计算机科学与工程学系） ； ZoyMed（佐医医疗（ZoyMed）） 纠错

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

AI总结 本研究提出SmartStu框架，通过多教师集成蒸馏与对抗蒸馏等技术，定制出比通用PFMs小30倍以上且性能相当的乳腺癌专用病理学基础模型。

Comments 11 pages, 2 figures, 2 tables. Accepted to MICCAI 2026 (early accept)

Weakly Supervised Pathology-Informed Representation Learning for PET-Based Content Retrieval of Intra-Tumour Heterogeneity

用于基于PET的肿瘤内异质性内容检索的弱监督病理信息表征学习

Rajat Vashistha, Sandra Brosda, Lauren G. Aoude, Christine Jestin Hannan, James M. Lonie, Jessica Ng, Andrew Nathanson, Ellie Vloedmans, Caroline Cooper, Andrew P. Barbour, Viktor Vegh

专题命中 病理影像 ：pathology(title,abstract)；medical image(abstract)；分类 cs.CV

AI总结 提出用于基于PET的肿瘤内异质性内容检索的弱监督病理信息表征学习框架，采用师生训练策略，通过渐进式消融策略评估监督机制，实验表明该方法能提高检索性能，凸显肿瘤子区域对异质性的敏感性及类别摄取的独特性。

Democratizing and accelerating AI-driven pathology research through agentic intelligence

通过智能体智能实现AI驱动病理学研究的民主化与加速

Jiabo Ma, Cheng Jin, Yihui Wang, Hao Jiang, Ling Liang, Yingxue Xu, Junlin Hou, Zhengrui Guo, Zhengyu Zhang, Yifei Xia, Hongyi Wang, Fengtao Zhou, Zhe Xu, Huajun Zhou, Jiarui Ouyang, Qian Zeng, On Ki Tang, Eunhyang Park, Carolyn Glass, Ronald Cheong Kin Chan, Li Liang, Hao Chen

机构 * Hong Kong University of Science and Technology（香港科技大学） ； Southern Medical University（南方医科大学） ； Nanfang Hospital（南方医院） ； Guangdong Province Key Laboratory of Molecular Tumor Pathology（广东省分子肿瘤病理重点实验室） ； Jinfeng Laboratory（金凤实验室） 纠错

专题命中 病理影像 ：pathology(title,abstract)；biomedical(abstract)；分类 cs.CV

AI总结 提出PathLab框架，通过结构化组合领域技能和工具，将自然语言研究目标转化为可执行的计算病理学工作流，在12个数据集上达到与专家实现相当的性能，并显著降低编程门槛。

Comments 29 pages, 4 figures

Multi-FRuGaL: Multimodal Flexible Redundancy-aware Decomposed Gated Learning for Cancer Diagnosis and Prognosis

Multi-FRuGaL：面向癌症诊断与预后的多模态灵活冗余感知分解门控学习

Sanket Kachole, Siddhesh Thakur, Shubham Innani, Sanyukta Adap, Suhang You, Carla Pitarch-Abaigar, Spyridon Bakas

机构 * Division of Computational Pathology, Department of Pathology and Laboratory Medicine, Indiana University School of Medicine（计算病理学部，病理学与实验室医学部，印第安纳大学医学院） ； IU Melvin and Bren Simon Comprehensive Cancer Center（印第安纳大学Melvin和Bren Simon综合癌症中心） ； Departments of Biostatistics and Health Data Science（生物统计学与健康数据科学部） ； Radiology and Imaging Sciences（放射学与影像科学部） ； Neurological Surgery（神经外科） ； Indiana University School of Medicine（印第安纳大学医学院） ； Department of Computer Science, Luddy School of Informatics, Computing, and Engineering（计算机科学部，Luddy信息、计算与工程学院） 纠错

专题命中 病理影像 ：diagnosis(title)；pathology(abstract)；radiology(abstract)；分类 cs.CV

AI总结 提出Multi-FRuGaL框架，通过分解感知自适应门控中间融合，在缺失模态下学习模态级表示，分离冗余与互补信号，提升癌症诊断与预后性能。

In-Domain Supervised Pathology Report Classification: A Reproducible Pipeline from Data Curation to Production-Matched Evaluation

领域内监督病理报告分类：从数据整理到生产匹配评估的可复现流程

Isaac Hands, Bin Huang, Adam Spannaus, John Gounley, Heidi Hanson, Eric Durbin, Sally R. Ellingson

机构 * University of Kentucky（肯塔基大学） ； UK Markey Cancer Center（肯塔基大学马基癌症中心） ； Kentucky Cancer Registry（肯塔基癌症登记处） ； Division of Cancer Biostatistics, University of Kentucky（肯塔基大学癌症生物统计学系） ； Oak Ridge National Laboratory（橡树岭国家实验室） ； Division of Biomedical Informatics, University of Kentucky（肯塔基大学生物医学信息学系） 纠错

专题命中 病理影像 ：pathology(title,abstract)；biomedical(abstract)

AI总结 提出领域内监督流程解决病理报告跨注册中心性能下降问题，通过标准化数据整理、生产匹配保留集和低假阴性率操作点选择，在418k报告集上FNR降至0.003，F1提升至0.922。

A Multi-modal Agentic Co-pilot for Evidence Grounded Computational Pathology

面向证据基础计算病理学的多模态智能体协同助手

Zhe Xu, Zhengyu Zhang, Zhiyuan Cai, Jiahao Xu, Yijie Lin, Ziyi Liu, Junlin Hou, Hongyi Wang, Yuxiang Nie, Ling Liang, Yihui Wang, Yingxue Xu, Ronald Cheong Kin Chan, Li Liang, Hao Chen

机构 * Department of Computer Science and Engineering, Hong Kong University of Science and Technology（香港科技大学计算机科学与工程系） ； Department of Pathology, Nanfang Hospital, Southern Medical University（南方医科大学南芳医院病理科） ； Department of Pathology, School of Basic Medical Sciences, Southern Medical University（南方医科大学基础医学学院病理科） ； Department of Anatomical and Cellular Pathology, Chinese University of Hong Kong（香港中文大学解剖与细胞病理学系） ； Guangdong Provincial Key Laboratory of Molecular Tumor Pathology（广东省分子肿瘤病理学重点实验室） ； Jinfeng Laboratory（锦风实验室） ； Department of Chemical and Biological Engineering, Hong Kong University of Science and Technology（香港科技大学化学与生物工程系） ； Division of Life Science, Hong Kong University of Science and Technology（香港科技大学生命科学系） ； State Key Laboratory of Nervous System Disorders, The Hong Kong University of Science and Technology（香港科技大学神经系统疾病国家重点实验室） ； HKUST Shenzhen-Hong Kong Collaborative Innovation Research Institute, The Hong Kong University of Science and Technology（香港科技大学深圳-香港协同创新研究院） 纠错

专题命中 病理影像 ：pathology(title,abstract)；diagnosis(abstract)

AI总结 提出PathPocket，一种多模态AI协同助手，通过构建包含11万文档的病理证据语料库和455万实体的超图，实现基于证据的病理诊断，在20万真实案例上超越现有方法。

LaGuadia: Language-Guided Adaptive Distillation from Pathology Foundation Models

拉瓜迪亚：基于病理学基础模型的语言引导自适应蒸馏

Gangsu Kim, Won-Ki Jeong

机构 * College of Informatics, Korea University（韩国大学信息学院） 纠错

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

AI总结 研究针对病理学基础模型计算成本高问题，提出拉瓜迪亚框架，通过多阶段流程，在临床语言指导下整合多模型知识，进行自适应蒸馏。实验表明其87M参数学生模型性能出色，凸显临床语言对构建高效可靠数字病理系统的作用。

TVT-PAPD: Pathology-Aware Prototype Distillation for Self-Supervised Whole Slide Image Classification

TVT-PAPD：用于自监督全切片图像分类的病理感知原型蒸馏

Ramesh Naidu Laveti, Jaya Sreevalsan-Nair, T K Srikanth

机构 * E-Health Research Center, International Institute of Information Technology Bangalore（班加罗尔国际信息技术学院电子健康研究中心） 纠错

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

AI总结 研究针对现有自监督学习方法无法捕捉病理特定形态模式的问题，提出TVT-PAPD框架，集成TVT与PAPD模块，利用可学习原型库增强病理感知特征学习，在相关数据集实验中取得高加权F1分数且跨队列泛化能力强。

Comments 13 pages, 4 figures, 10 tables

DaX: Learning General Pathology Representations Across Scales

DaX: 跨尺度的通用病理学表示学习

Bokai Zhao, Yiyang Zhang, Long Bai, Tai Ma, Hanqing Chao, Minfeng Xu

机构 * DAMO Academy, Alibaba Group（达摩院，阿里巴巴集团） ； Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； Hupan Lab（虎斑实验室） 纠错

专题命中 病理影像 ：pathology(title,abstract)；分类 cs.CV、eess.IV

AI总结 提出病理视觉基础模型DaX，通过改进DINOv3自监督学习，结合连续放大训练、跨尺度组织视图等设计，在44个公开数据集的161项临床任务上取得最佳平均性能。

SAGE: Semantic Explainability of Attention-Based Survival Models in Computational Pathology

SAGE：计算病理学中基于注意力的生存模型的语义可解释性

Abdallah Lamane, Abdul Rahman Diab, Ren-Chin Wu, William Lotter

专题命中 病理影像 ：pathology(title,abstract)；分类 cs.CV；medical image(comments)

AI总结 该研究提出SAGE框架，可从ABMIL模型提取全局语义解释，在7个TCGA癌症队列的生存预测中恢复预后特征，揭示癌症特异性生物学，为病理学家解释模型行为提供支持。

Comments Proceedings of the MICCAI Workshop on Interpretability of Machine Intelligence in Medical Image Computing (iMIMIC)

Prompt, Plan, Extract: Zero-Shot Agentic LLMs Workflows for Lung Pathology Extraction from Clinical Narratives

提示、规划、提取：用于从临床叙述中提取肺部病理学的零样本智能体LLM工作流

Aman Pathak, Cheng Peng, Mengxian Lyu, Ziyi Chen, Reema Solan, Sankalp Talankar, Yasir Khan, Hiren Mehta, Aokun Chen, Yi Guo, Yonghui Wu

机构 * Department of Health Outcomes and Biomedical Informatics, College of Medicine, University of Florida（健康结果与生物医学信息学系，医学院，佛罗里达大学） ； Division of Pulmonary, Critical Care and Sleep Medicine, Department of Medicine, College of Medicine, University of Florida（呼吸科、重症医学科和睡眠医学科，医学系，医学院，佛罗里达大学） ； College of Nursing, Florida State University（护理学院，佛罗里达州立大学） 纠错

专题命中 病理影像 ：pathology(title,abstract)；分类 cs.LG；biomedical(comments)

AI总结 提出零样本智能体工作流，利用开源大语言模型从肺切除病理报告中提取13个CAP字段，在无训练下达到0.893 Micro-F1，接近监督方法。

Comments 7 pages, 2 figures, 3 tables. Affiliations: (1) Department of Health Outcomes and Biomedical Informatics, College of Medicine, University of Florida, Gainesville, FL, USA (2) Division of Pulmonary, Critical Care and Sleep Medicine, Department of Medicine, College of Medicine, University of Florida, Gainesville, FL, USA (3) College of Nursing, Florida State University, Tallahassee, FL, USA

Spatial Message Passing in Language Space for Pathology Image Interpretation

面向病理图像解读的语言空间空间消息传递

Jing-Cheng Yang, Hao-Jung Wang, Jinhao Du, Yang Hu, Ming-shan Tsai, Jens Rittscher, Bin Li

机构 * National Taiwan University（台湾大学） ； University of Oxford（牛津大学） ； ZYTCA Limited（ZYTCA有限公司） 纠错

专题命中 病理影像 ：pathology(title,abstract)；分类 cs.CV、q-bio

AI总结 提出SLMP框架，在语言空间对病理图像执行空间推理，无需微调MLLM，提升肿瘤描述准确率，缩小通用与病理专用MLLM的性能差距。

Comments Accepted at MICCAI 2026 Workshop (Oral)

What Carries the Signal in Pathology Foundation-Model Atlases? A Patient-Level Controlled Benchmark in Breast Cancer

病理基础模型图谱中的信号由什么承载？乳腺癌的患者级对照基准测试

Chimdi Walter Ndubuisi

机构 * University of Missouri（密苏里大学） 纠错

专题命中 病理影像 ：pathology(title,abstract)；分类 cs.CV、q-bio

AI总结 本研究以乳腺癌患者为单位开展对照基准测试，发现病理基础模型的信号由嵌入而非几何机制承载，嵌入在多数基因程序预测中优于组织组成，驱动基因计数指标无显著预测性。

Comments 40 pages, 7 figures, 10 tables. Supplementary Information (16 pages) included as an ancillary file. Segmentation outputs obtained under the Aignostics Research Access Programme; OpenTME data at https://huggingface.co/datasets/Aignostics/OpenTME

Agentic Visual Reasoning in Whole-Slide Pathology Images via Active Perception

基于主动感知的全切片病理图像智能体视觉推理

Jingyun Chen, Fengchun Liu, Linghan Cai, Songhan Jiang, Shenjin Huang, Hongpeng Wang, Lequan Yu, Yongbing Zhang

机构 * College of Computer Science and Technology, Harbin Institute of Technology, Shenzhen（哈尔滨工业大学（深圳）计算机科学与技术学院） ； School of Computing and Data Science, The University of Hong Kong（香港大学计算与数据科学学院） 纠错

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

AI总结 该研究提出AdaptivePath主动感知框架，通过序列决策实现千兆像素病理切片的视觉推理，在病理VQA基准及TCGA六队列癌症亚型分类上取得最优性能，辅助病理学家诊断。

Comments 14 pages, 5 figures

PARAGraph: Pathology-Anatomy-Aware Hierarchical Graph for Diabetic Retinopathy Grading

PARAGraph：面向糖尿病视网膜病变分级的病理-解剖感知分层图

Ziyang Zhang, Yuankai Huo, Yalin Zheng, He Zhao

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

AI总结 提出病理-解剖感知分层图框架PARAGraph，以三级分层图建模DR分级，在多数据集上实现优于现有方法的性能，预测具临床依据且对分割噪声鲁棒。

Training-Free Out-of-Distribution Detection for Pathology Whole-Slide Images

面向病理全切片图像的无分布外检测训练方法

Sabri Mustafa Kahya, Richard R. Chen, Muhammet Sami Yavuz, Jerry Jierui Lou, Akanimoh Adeleye, Haci Ali Kahya, Jana Lipkova

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

AI总结 本文提出基于视觉-语言病理基础模型的无训练多模态OOD检测器ZIO，在14700余张病理WSI上优于40种现有OOD方法，为临床AI安全部署提供支撑。

Comments Under review. The code is available in https://github.com/muskahya/ZIO

Understanding Synergistic Interactions among Pathology Foundation Models via Adaptive Fusion

通过自适应融合理解病理基础模型间的协同交互作用

Yuxiang Xiao, Yang Hu, Bin Li, Tianyang Zhang, Zexi Li, Huazhu Fu, Jens Rittscher, Kaixiang Yang

机构 * School of Computer Science and Engineering, South China University of Technology（华南理工大学计算机科学与工程学院） ； School of Computing and Mathematical Sciences, University of Leicester（莱斯特大学计算与数学科学学院） ； Leicester Cancer Research Centre, University of Leicester（莱斯特大学莱斯特癌症研究中心） ； Department of Engineering Science, University of Oxford（牛津大学工程科学系） ； Nuffield Department of Medicine, University of Oxford（牛津大学纳菲尔德医学院） ； A*STAR, Singapore（新加坡科技研究局） 纠错

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

AI总结 本研究针对病理基础模型存在的表示偏差问题，提出AdaFusion自适应融合框架，在三个公共基准上验证其性能优于单个模型及其他融合方法，还可提供可解释的组织可视化。

Comments 11 pages, 2 figures, 3 tables

Beyond Classification: Pathology Foundation Models as Detection Encoders for Mitotic Figures

超越分类：病理学基础模型作为有丝分裂图的检测编码器

Sweta Banerjee, Alireza Teimoury, Nils Porsche, Alexandra K. Stoll, Viktoria Weiss, Niklas Hargarter, Jonas Ammeling, Thomas Conrad, Christoph Stroblberger, Christopher Kaltnecker, Robert Klopfleisch, Christof A. Bertram, Katharina Breininger, Marc Aubreville

机构 * Flensburg University of Applied Sciences（弗伦斯堡应用科学大学） ； University of Veterinary Medicine, Vienna（维也纳兽医大学） ； Freie Universität Berlin（柏林自由大学） ； Technische Hochschule Ingolstadt（英戈尔施塔特应用技术大学） ； Medical University of Vienna（维也纳医科大学） ； Julius-Maximilians-Universität Würzburg（维尔zburg大学） ； Friedrich-Alexander-Universität Erlangen-Nürnberg（埃尔朗根-纽伦堡弗里德里希-亚历山大大学） 纠错

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

AI总结 本研究将多种病理学基础模型作为骨干网络，结合不同类型检测器在MIDOG++和TUPAC16数据集上验证其用于有丝分裂图检测的性能，发现H-optimus-0和Virchow模型表现具竞争力，相关代码已公开。

Disentangling Acoustic Cues in Alzheimer's Pathology and Perception: The Roles of Language and Gender

解开阿尔茨海默病病理学与感知中的声学线索：语言和性别的作用

Liu He, Yuanchao Li, Yin-Long Liu, Rui Feng, Yiming Wang, Jiaxin Chen, Yizhe Wang, Jiahong Yuan

机构 * University of Science and Technology of China（中国科学技术大学） ； University of Edinburgh（爱丁堡大学） 纠错

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

AI总结 研究阿尔茨海默病中声学线索，训练模型预测普通话和希腊语、男女说话者的临床AD状态及人类感知分数，用SHAP和统计模型分析，发现病理与感知一致性因语言和性别而异，强调特定人群可解释性审核对临床语音AI公平部署的必要性。

Comments Accepted at Interspeech 2026

Robustifying pathology foundation models via fine-tuning

通过微调增强病理学基础模型的鲁棒性

Alexandre Filiot, Oskar Thaeter, Benoit Schmauch, Lionel Guillou

机构 * Waiv ； Institute of Pathology, Technical University of Munich（慕尼黑工业大学病理学研究所） ； School of Computation, Information and Technology, Technical University of Munich（慕尼黑工业大学计算、信息与技术学院） 纠错

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

AI总结 研究针对病理学基础模型对采集因素敏感问题，开发新颖微调方法，应用于十个不同模型提升鲁棒性与下游性能，平均鲁棒性指数提高23%，综合性能提高43%，并公开两个模型的微调版本。

Comments 17 pages, 4 figures, 7 tables

Pretraining Multiple Instance Learning Networks with Multi-Teacher Distillation from Pathology Slide Foundation Models

基于病理切片基础模型的多教师蒸馏预训练多实例学习网络

Mingxi Fu, Jiawen Li, Renao Yan, Jiali Hu, Qiehe Sun, Tian Guan, Yonghong He

机构 * Tsinghua Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院） ； University of Washington（华盛顿大学） ； City University of Hong Kong (Dongguan)（香港城市大学（东莞）） ； Medical Optical Technology R&D Center, Research Institute of Tsinghua（清华研究院医学光学技术研发中心） ； Jinfeng Laboratory（金凤实验室） 纠错

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

AI总结 针对计算病理学中多实例学习存在的问题，提出基于蒸馏的预训练框架，利用两个基础模型作为教师，引入角分散归一化蒸馏损失，将蒸馏权重用于下游适应，实验表明该方法在少样本场景中优势明显，能提升计算效率。