医学 AI

The Good, the Bad, and the Brittle: Benchmarking Robustness and Generalisation of Histopathology Foundation Models

好的、坏的和脆弱的：病理基础模型的稳健性和泛化基准测试

Dhyey Yajnik, Amina Asif, Fayyaz Minhas

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

AI总结 用REET工具和NR-Kfold协议对12个病理基础模型及ResNet基线进行基准测试，引入PPI分析，表明病理基础模型在稳健性和泛化上优于CNNs，模型扩展收益递减，强调需评估分布变化。

MSNN-LINet: Cross-Modal Learning via Continuous Linear Integration

MSNN-LINet：通过连续线性集成进行跨模态学习

Gabriel Clinger

机构 * The George Washington University（乔治华盛顿大学） 纠错

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

AI总结 提出线性集成网络LINet，通过连续线性集成卷积操作实现RGB-D场景分类中的逐层跨模态学习，解决多模态融合的结构性妥协问题，并在SUN RGB-D数据集上取得领先结果。

Comments 14 pages, 6 figures, 3 tables

Semantic-Anchored Evidential Fusion for Domain-Robust Whole-Slide Survival Analysis

语义锚定证据融合用于域鲁棒的全切片生存分析

Yucheng Xing, Ling Huang, Pei Liu, Jingying Ma, Jiaqing Xu, Kai He, Mengling Feng

机构 * National University of Singapore（新加坡国立大学） ； Imperial College London（帝国理工学院） ； Hunan University（湖南大学） 纠错

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

AI总结 提出SAEFS框架，通过视觉问答提取语义锚点，结合双流证据提取和狄利克雷主观逻辑建模不确定性，实现跨域零样本生存分析，平均C-index提升10.2%。

STREAM: Stochastic Riemannian Flow Matching with Anisotropic Decoder for Digital Histopathology Image Generation

STREAM: 用于数字组织病理学图像生成的随机黎曼流匹配与各向异性解码器

Won June Cho, Daeky Jeong, Hyeongyeol Lim, Hongjun Yoon

机构 * DEEPNOID Inc.（DEEPNOID公司） 纠错

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

AI总结 提出STREAM框架，利用组织病理学视觉基础模型的patch-token特征作为潜在空间，通过黎曼流匹配生成高质量组织病理学图像，解决条件崩溃问题，并设计各向异性解码器提升生成质量。

Comments 27 pages, 7 figures

LRMIL: Efficient Low-Resolution Multiple Instance Learning via High-Resolution Knowledge Distillation for Whole Slide Image Classification

LRMIL: 通过高分辨率知识蒸馏实现全切片图像分类的高效低分辨率多实例学习

Yonghan Shin, Won-Ki Jeong

机构 * Department of Computer Science and Engineering, Korea University, Seoul, Korea（韩国大学计算机科学与工程系） 纠错

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

AI总结 提出LRMIL框架，通过两阶段知识蒸馏将高分辨率知识迁移到低分辨率表示，在推理时仅使用低分辨率图像块，显著降低计算成本并提升分类性能。

An unsupervised clustering analysis of breast cancer data derived from electronic health records enhanced through UMAP dimensionality reduction

通过UMAP降维增强的电子健康记录中乳腺癌数据的无监督聚类分析

Davide Chicco, Nicoletta Benvenuto

机构 * Dipartimento di Informatica Sistemistica e Comunicazione, Università di Milano-Bicocca（信息系统与通信系，米兰比可卡大学） ； Institute of Health Policy Management and Evaluation, University of Toronto（卫生政策管理与评估研究所，多伦多大学） 纠错

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

AI总结 研究利用电子健康记录中的乳腺癌数据，先采用DBSCAN密度聚类法，又通过UMAP降维增强效果，用三个统计指标评估聚类结果，证实了UMAP与DBSCAN结合用于该数据聚类的有效性，为医学解读患者组提供了支持。

Comments Accepted at the CIBB 2026 conference ( https://cibb2026.teralab.ai/ )

Spatial proteomics guided by H&E-based AI reveals recurrence-risk niches in triple-negative breast cancer

基于H&E的AI引导的空间蛋白质组学揭示三阴性乳腺癌的复发风险微环境

Yesung Cho, Ji Hwan Park, Chanil Kim, Hyewon Kim, Honglan Li, Yumin Lee, Geongyu Lee, Sujeong Hong, Seong Min Park, Yoonyoung Lee, Hee Sool Rho, Sumin Lee, Amos Chungwon Lee, Changhwan Lee, Hwanyoung Shim, Hyunwook Kim, Hyeji Shin, Sanha Park, Jihoon Yu, Yoon Hee Shin, Sooheon Kim, Hyunjin Park, Seung Min Park, Sangwan Kim, Yujung Kim, Sung-Im Do, Eun-Young Kim, Dongmyung Shin, Jongbae Park, In-Gu Do

专题命中 病理影像 ：pathology(abstract,comments)；分类 q-bio

AI总结 本研究开发结合AI复发风险热图与空间蛋白质组学的框架，在TNBC中识别出与复发相关的空间分子特征，构建的13蛋白复合评分可提升预后区分能力，为多尺度生物标志物发现提供新途径。

Comments Triple-negative breast cancer (TNBC), Recurrence, Digital pathology, Artificial intelligence, Spatial proteomics, Tumor microenvironment

CytoFormer: A Molecularly Supervised Cell Foundation Model for Histopathology Cell Classification

CytoFormer：用于组织病理学细胞分类的分子监督细胞基础模型

Jialu Yao, Songhao Li, Alina Yu, Zhi Huang

机构 * University of Pennsylvania（宾夕法尼亚大学） ； Germantown Friends School（日耳曼敦贵格会学校） 纠错

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

AI总结 CytoFormer利用配对H&E染色与空间转录组学数据训练细胞基础模型，在细胞分类、迁移学习及主动学习中表现优异，为常规组织学的细胞分析提供高效可复用表示。

Comments 20 pages, 5 figures, 2 extended data figures

Interactive Whole Slide Images for RL-based Tumour Segmentation

用于基于强化学习的肿瘤分割的交互式全切片图像

Mohamad Mohamad, Francesco Ponzio, Maxime Gassier, Nicolas Pote, Xavier Descombes

机构 * Université Côte d’Azur（蔚蓝海岸大学） ； Inria（法国国家信息与自动化研究所） ； CNRS（法国国家科学研究中心） ； INSERM（法国国家健康与医学研究院） ； IBV（生物信息研究所） ； Politecnico di Torino（都灵理工大学） ； Bichat Hospital（比沙医院） ； Assistance Publique–Hôpitaux de Paris（巴黎公共医疗集团） 纠错

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

AI总结 该研究针对全切片图像分析的计算挑战，提出端到端强化学习框架，将WSI建模为交互式分层多分辨率环境，经PPO训练的智能体可直接完成全切片肿瘤分割，推理速度快且效果与基于图像块的方法相当，为计算病理学提供新方向。

Valid Per-Field Selective Risk Control for Document Extraction: Three Failure Modes, a Validity Ladder, and When Conditioning Pays

文档提取的有效逐字段选择性风险控制：三种失效模式、一个有效性阶梯及条件化何时奏效

Bhaskar Gurram

机构 * Zasti AI（扎斯蒂人工智能公司） 纠错

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

AI总结 本文针对文档提取的逐字段选择性风险控制问题，诊断出三种失效模式，提出有效性阶梯修复方案，通过多种方法验证了支持-bin等策略的效果，发布了开源代码。

Comments 14 pages. Seed-pinned, regression-gated harness (Apache-2.0): https://github.com/bhaskargurram-ai/verifydoc . Companion benchmark paper: VerifyDocBench

The Objective Is the Bottleneck: Latent World Models Encode What Their Planners Cannot Use

目标是瓶颈：潜在世界模型编码了其规划器无法使用的内容

Joyjeet Singh

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

AI总结 该研究发现潜在世界模型的规划瓶颈在于规划器目标而非预测器，通过替换目标无需额外训练即可大幅提升长视野规划性能，揭示模型编码了规划器未利用的可达性信息。

Comments Follow-up to arXiv:2608.10145. All experiments run on a laptop CPU; no model was trained or fine-tuned. Code, checkpoints and every measurement: github.com/joyjeet-singh/tinylab

ProBAG: Prototype-Guided Boundary-Aware Graph Diffusion for Weakly Supervised Histopathology Segmentation

ProBAG：用于弱监督组织病理学分割的原型引导边界感知图扩散

Duy-Dong Nguyen, Le-Van Thai, Hoai Nhan Pham, Ngoc Lam Quang Bui, Tam Tran, Zhi Huang

机构 * AI VIETNAM Lab（AI越南实验室） ； Washington University School of Medicine（华盛顿大学医学院） ； Jeonbuk National University（全北国立大学） ； Perelman School of Medicine, University of Pennsylvania（宾夕法尼亚大学佩雷尔曼医学院） 纠错

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

AI总结 ProBAG是一种新的弱监督组织病理学分割方法，通过结合视觉与文本原型、逐类功率重新校准及图扩散机制，在BCSS-WSSS和LUAD-HistoSeg数据集上取得优于现有方法的性能。

Comments 12 pages, 2 figures, 4 tables. Accepted by MICCAI Workshop (COMPAYL) 2026

PRISM: Distribution-Gated Flow Matching for Controllable Unpaired Image Translation

PRISM：用于可控非配对图像翻译的分布门控流匹配

Elad Yoshai, Natan T. Shaked

机构 * Tel Aviv University（特拉维夫大学） 纠错

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

AI总结 PRISM是一种无GAN的流匹配框架，通过分布门控实现可控非配对图像翻译，在5个自然与生物医学基准上，其在多数任务的Inception FID、KID及组织病理学细胞核计数比上表现优异，平衡了目标逼真度与结构保留。

Beyond Relevance: Bayesian Evidence Acquisition for Agentic Whole-Slide Image Reasoning

超越相关性：面向智能体的全切片图像推理的贝叶斯证据获取

Bryan Wong, Xun Xu, Huazhu Fu, Nancy F. Chen, Mun Yong Yi

机构 * A*STAR（新加坡科技研究局） 纠错

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

AI总结 本研究提出BEACON框架，将WSI推理建模为贝叶斯证据获取问题，通过最大化预期信息增益减少诊断不确定性，在五个WSI-VQA基准的零样本实验中，其性能优于同类无训练智能体框架，提升了证据获取效率。

Agentic self-driving microscopy benchmarks support qualification but do not necessarily generalize to unseen tasks

智能体自动驾驶显微镜基准测试支持性能验证，但不一定能泛化到未见任务

Nathan S Johnson, Ian Abshire

机构 * Carl Zeiss Research Microscopy Solutions（卡尔蔡司研究显微镜解决方案） 纠错

专题命中 病理影像 ：diagnosis(abstract)；分类 cs.LG

AI总结 本研究开发基准框架评估显微镜智能体架构等因素的性能，发现其虽可用于验证比较，但现有基准无法预测智能体在未见显微镜任务上的表现。

Comments 20 pages, 8 figures

Assessment of Conditional Diffusion Model for Synthetic Histopathology Image Generation

用于合成组织病理学图像生成的条件扩散模型评估

Seyed Kahaki, Shijie Li, Weijie Chen, Nicholas Petrick

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

AI总结 本研究针对合成组织病理学图像生成的评估问题，提出基于数字病理学预训练基础模型改进的FID、IS及精确率-召回率指标，实验发现改进后的IS与下游细胞核分割性能相关性更高，且生成数据多样性对分割性能的提升作用强于单张图像视觉保真度。

Comments 11 pages, 3 figures

CIGTSurv: Clinical Information Guided Tri-modal Survival Prediction with Local Prototype Association and Global Feature Alignment

CIGTSurv：结合局部原型关联与全局特征对齐的临床信息引导三模态生存预测

Jing Dai, Qibin Zhang, Weiwei Zhou, Mingde Xu, Jingsong Liu, Jingdong Zhang, Hongming Xu

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

AI总结 本研究针对临床信息未充分利用及多模态异质性问题，提出CIGTSurv框架，结合局部原型关联与全局特征对齐机制，在五个TCGA癌症队列上取得生存预测SOTA性能。

Comments Accepted at MICCAI 2026

Adaptive Identity Anchoring: Closed-Loop Keyframe Placement for Synthetic Paired Supervision in Video Face Swapping

自适应身份锚定：用于视频人脸交换中合成配对监督的闭环关键帧放置

Logan Robbins

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

AI总结 研究视频人脸交换缺乏自然配对监督问题，提出自适应身份锚定（AIA）方法，通过闭环反馈放置锚定并结合现实参考纹理恢复，还给出可证伪实验，有望解决合成身份漂移及过度平滑皮肤问题。

SWITi: Quantifying and Reducing Tiling Artifacts with Sliding Window Inner Tiling

SWITi：使用滑动窗口内平铺量化和减少平铺伪影

Federico Carrara, Aman Kukde, Melisande Croft, Joran Deschamps, Florian Jug

机构 * Fondazione Human Technopole（人类技术基金会） ； Università Campus Bio-Medico（校园生物医学大学） 纠错

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

AI总结 研究针对大图像数据平铺预测产生的伪影问题，提出SWITi方法，通过平均重叠滑动窗口预测减少伪影，引入FRT和ASV指标量化检测伪影，在荧光显微镜数据集模型上验证该方法可减弱拼接缝、提升重建效果，利于生物医学大图像预测下游处理。

Autonomous mechanistic discovery of colorectal cancer vulnerabilities via multi-scale AI swarms

通过多尺度人工智能群体自主进行结直肠癌脆弱性的机制发现

Christopher Baker, Tianyu Ren, Karen Rafferty, Hui Wang, Simon McDade

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

AI总结 研究旨在解决自动化科学发现中语言模型与生物物理的认知差距。通过多尺度自主发现引擎Octopus，结合大语言模型群体和算法物理引擎，针对结直肠癌转录组进行无监督扫描，发现IGF2是5-氟尿嘧啶耐药脆弱性，建立了可验证的生物医学发现范式。

Benchmarking Machine Learning Models for Multi-Omics-Based Breast Cancer Prediction

基于多组学的乳腺癌预测机器学习模型基准测试

Priyanka Paudel, Madan Baduwal

专题命中 病理影像 ：diagnosis(abstract)；分类 cs.LG

AI总结 研究针对基于多组学数据预测乳腺癌雌激素受体（ER）状态，对随机森林等经典机器学习模型进行基准测试，采用严格实验框架，结果显示RNA表达预测信号最强，多组学整合有改进，随机森林性能最佳，还选出相关基因支持模型有效性。

Marker-free deformable registration and fusion for augmented reality-guided positive margin localization during tumor resection surgery

用于肿瘤切除手术中增强现实引导的阳性切缘定位的无标记可变形配准与融合

Yue Yang, Annie Benson, Matthieu Chabanas, Jason Slagle, Thomas Myles, Matthew B. Weinger, Jon S. Heiselman, Michael I. Miga, Michael Topf, Jie Ying Wu

机构 * Vanderbilt University（范德堡大学） ； Vanderbilt University Medical Center（范德堡大学医学中心） 纠错

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

AI总结 研究针对头颈部肿瘤手术中阳性切缘定位难题，提出无标记增强现实工作流程，结合多种技术实现标本扫描到切除床的映射，经实验验证该方法能有效降低定位误差，支持更精确肿瘤切除。

CGRL: Concept-Guided Pruning and Representation Learning for Whole-Slide Image Classification

CGRL：用于全切片图像分类的概念引导剪枝与表示学习

Thuc Huynh, Tuan Le, Doanh C. Bui

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

AI总结 针对弱监督全切片图像分类中现有方法问题，提出CGRL框架，通过概念相关剪枝和概念引导对比表示学习，在TCGA - BRCA和TCGA - NSCLC数据集上评估，提升了模型性能并降低计算成本，证明类级语义概念的有效性。

Comments 6 pages, 2 figures. Accepted at MAPR 2026. Code: https://github.com/ThucHuynh44/CGRL

Demonstration of the common dual-channel feature decoupling characteristic of front-door mediation causal inference methods in whole-slice image classification

前门中介因果推理方法在全切片图像分类中的通用双通道特征解耦特性证明

Zhirui Zhang, Tianhang Nan, Yong Ding, Zhuolun Song, Dayu Hu, Xiaoyu Cui

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

AI总结 研究在全切片图像分类中，提出并证明关于因果推理MIL的两个假设，即引入独立分类通道及增加通道特征差异可消除错误关联，通过在相关数据集上评估几种因果推理MIL，为因果推理应用于WSI分析提供新视角。

Comments The manuscript is being submitted for publication to a journal

From Geometric Recovery to Causal Validation: A Reproducible Audit of Sparse Autoencoder Features, from Superposition Geometry to Causal Inertness

从几何恢复到因果验证：对稀疏自编码器特征的可重复审计，从叠加几何到因果惰性

Mohamed Abdessalem Bal

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

AI总结 研究聚焦于稀疏自编码器特征，通过重现相关实验发现现有评估混淆不同主张。提出sae - 因果审计工具，发现大量特征存在因果惰性，重新审计细化惰性分类，应用该工具于生产SAE揭示原子碰撞信号。

Comments 21 pages, 8 figures, 6 tables. Code and reproduction pipeline: https://github.com/mohamed-bal/sae-causal-audit

Diagnosing and Mitigating Thinking Collapse in On-Policy Self-Distillation

诊断和缓解基于策略的自蒸馏中的思维崩溃

Keqin Peng, Chen Li, Yuanxin Ouyang, Yancheng Yuan, Liang Ding

机构 * Beihang University（北京航空航天大学） ； Hong Kong Polytechnic University（香港理工大学） ； Alibaba Group（阿里巴巴集团） 纠错

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

AI总结 研究基于策略的自蒸馏在复杂推理任务中性能下降问题，发现思维崩溃陷阱。提出自适应双视角OPSD，通过动态调节自蒸馏目标缓解该问题，在多模型规模和数据集上实验验证其有效性，提升绝对平均准确率4.1%。

Continual Model Merging with Test-Time Adaptation for Whole-Slide Image Analysis

用于全切片图像分析的带测试时自适应的连续模型合并

Duc-Thanh Le, Doanh C. Bui, Maï K. Nguyen, Khang Nguyen

机构 * University of Information Technology（信息技术大学） ； Viet Nam National University Ho Chi Minh City（胡志明市越南国立大学） ； ETIS (UMR 8051), CY Cergy Paris University, ENSEA, CNRS, France（法国赛尔齐巴黎大学、ENSEA、法国国家科学研究中心的ETIS（UMR 8051）） 纠错

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

AI总结 研究通过整合独立微调模型进行连续模型合并，利用测试时自适应调整合并变量，在全切片图像分类中评估该方法，对比传统连续学习方法，发现其有优势但性能受任务顺序等影响。

Comments 11 pages, 4 tables, 2 figures

MergeSurv: Merging-Based Continual Learning for Survival Analysis on Whole-Slide Images

MergeSurv：用于全切片图像生存分析的基于合并的持续学习

Vu Minh Tran, Doanh C. Bui, Maï K. Nguyen, Khang Nguyen

机构 * University of Information Technology（信息技术大学） ； Viet Nam National University Ho Chi Minh City（胡志明市越南国立大学） ； ETIS (UMR 8051), CY Cergy Paris University, ENSEA, CNRS, France（法国CY Cergy巴黎大学、ENSEA、法国国家科学研究中心联合建立的ETIS实验室（UMR 8051）） 纠错

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

AI总结 研究针对全切片图像生存分析，提出MergeSurv框架，独立微调病理视觉语言基础模型参数后合并，还探究两种推理策略，实验表明其优于其他方法且能减少灾难性遗忘。

Comments 10 pages, 2 figures, 1 table

CaresAI at SMM4H-HeaRD 2026: Predicting TNM Staging

CaresAI在SMM4H-HeaRD 2026中的应用：预测TNM分期

Joseph Itopa Abubakar, Jorge Jarme, Favour Igwezeke, Mary Adewunmi

机构 * CaresAI（关爱人工智能） ； Ateneo De Naga University（那牙雅典耀大学） ； Faculty of Pharmaceutical Sciences, Nsukka, Enugu, Nigeria（尼日利亚埃努古州恩苏卡药学院） ； Menzies School of Health Research（孟席斯健康研究学院） 纠错

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

AI总结 该研究以癌症基因组图谱病理报告为基础，将预测TNM分期问题转化为多标签分类任务，探索经典和深度学习方法，结果显示组合嵌入能提升预测能力，虽有局限但提供了基线模型和可重复流程。

Journal ref Association for Computational Linguistics 2026

Parameter-Efficient Continuous-Variable Photonic Quantum Neural Networks for Edge Quantum AI: Demonstration in Oral Cancer Detection

参数高效的连续变量光子量子神经网络用于边缘量子AI：在口腔癌检测中的演示

Akshay Bhagwan Sonawane, Sophie Choe, Lakshman Tamil

机构 * Dept. of Electrical and Computer Engineering（电气与计算机工程系） 纠错

专题命中 病理影像 ：medical image(abstract)；分类 cs.LG

AI总结 提出一种简化的连续变量光子量子神经网络架构，在口腔癌检测中仅用18个参数达到100%测试准确率，比经典基线少67%参数，并缓解了贫瘠高原问题。