医学 AI

The PAR dataset: Prostate biopsy whole slide images from an underrepresented Middle Eastern population

PAR数据集：来自中东代表性不足人群的前列腺活检全切片图像

Peshawa J. Muhammad Ali, Navin Vincent, Saman S. Abdulla, Han N. Mohammed Fadhl, Anders Blilie, Kelvin Szolnoky, Julia Anna Mielcarz, Xiaoyi Ji, Kimmo Kartasalo, Abdulbasit K. Al-Talabani, Nita Mulliqi

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

AI总结 针对公开组织病理学数据集稀缺且多为西方人群数据，导致中东等地区人群人工智能模型通用性未知的问题，公开PAR数据集，包含伊拉克185例患者的前列腺穿刺活检全切片图像，可用于多种分析评估，支持全球不同人群病理学人工智能模型开发验证。

Comments 13 pages, 2 figures and 1 table

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。

Markovian Continuity of the MMSE

MMSE的马尔可夫连续性

Elad Domanovitz, Anatoly Khina

专题命中 病理影像 ：pathology(abstract)；分类 eess.SP

AI总结 研究MMSE在标准随机收敛概念下可能不连续的问题，基于实际采集机制，在二阶矩连续性和退化（马尔可夫）限制两个自然约束下，建立MMSE及其估计器的连续性，还给出相关结果及扩展到其他函数族。

Comments This work has been submitted to the IEEE for possible publication

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。

Evaluating Vision Foundation Models for Pixel and Object Classification in Microscopy

评估显微镜中用于像素和物体分类的视觉基础模型

Carolin Teuber, Anwai Archit, Tobias Boothe, Peter Ditte, Jochen Rink, Constantin Pape

机构 * Georg-August-University Göttingen, Institute of Computer Science Department of Tissue Dynamics ； Regeneration, Max Planck Institute for Multidisciplinary Sciences, Göttingen Georg-August-University Göttingen, Faculty of Biology ； Psychology CAIMed - Lower Saxony Center for AI \& Causal Methods in Medicine, Göttingen Cluster of Excellence Multiscale Bioimaging (MBExC), Georg-August-University Göttingen 纠错

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

AI总结 本文评估了视觉基础模型在显微镜像素和物体分类中的应用，探讨了其在提升分类性能方面的潜力，并建立了相关基准。

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

On Variance Reduction in Learning Mean Flows

在学习均值流中的方差缩减

Juanwu Lu, Ziran Wang

机构 * Purdue University（普渡大学） 纠错

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

AI总结 本文通过理论分析揭示了均值流训练中损失非递减和梯度方差无界的问题根源，提出最优系数的闭式解，并在基准和Diffusion Transformer上验证了其提升样本质量和FID趋势的效果。

Comments 27 pages, 8 figures, 8 tables. Added supplementary experiment: independent validation of the small-bias regime, to break the circularity in bias estimation

CellDETR: A Detection-Guided Framework for Scalable Cell Representation Learning from Histopathology Images

CellDETR: 一种面向组织病理学图像的可扩展细胞表示学习的检测引导框架

Shikang Zhang, Guojun Li, Yicong Mao, Chulin Sha

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

AI总结 提出基于Deformable DETR的检测引导框架CellDETR，通过位置特征解耦和框约束注意力机制实现可扩展的细胞表示学习，在细胞分类任务上超越现有方法，并支持无标签数据的预训练和跨数据集迁移。

Comments 12pages, 5 figures

Mitigating Batch Effects in Histopathology via Language-Mediated Robust Embedding Generation

通过语言介导的鲁棒嵌入生成减轻组织病理学中的批次效应

Yishu Zhang, Shushan Wu, Zhenzhong Zhang, Didong Li, Huaxiu Yao, Yun Li, Iain Carmichael, Katherine A. Hoadley, Hongtu Zhu, Di Wu, Daiwei Zhang

机构 * 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 病理影像 ：pathology(abstract)；分类 cs.CV

AI总结 提出GLMP框架，利用通用多模态大语言模型将组织学图像转化为文本表示，再生成数值嵌入，有效抑制批次效应，提升跨机构泛化能力。

Predicting Metastatic Risk from Primary Tissue Architecture via Distance-Aware Spatial Modeling

通过距离感知空间建模从原发组织架构预测转移风险

Sandesh Pokhrel, Hamid Manoochehri, Bodong Zhang, Beatrice S Knudsen, Tolga Tasdizen

机构 * Department of Electrical and Computer Engineering, University of Utah（犹他大学电气与计算机工程系） ； Scientific Computing and Imaging Institute, University of Utah（犹他大学科学计算与成像研究所） ； Department of Pathology, University of Utah（犹他大学病理学系） 纠错

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

AI总结 提出DTMf-MIL方法，通过符号距离函数显式建模肿瘤微环境的空间几何结构，在转移风险预测任务上显著优于忽略空间布局的现有方法。

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。

An Analysis of Posterior Collapse, Parameterization and Initialization in Variational Deep Gaussian Processes

变分深度高斯过程中的后验坍缩、参数化和初始化分析

Francisco Javier Sáez-Maldonado, Juan Maroñas, Daniel Hernández-Lobato

机构 * Department of Computer Science and Artificial Intelligence（计算机科学与人工智能系） ； Universidad de Granada（格拉纳达大学） ； Department of Quantitative Methods（定量方法系） ； CUNEF Universidad Madrid, Spain（CUNEF马德里大学, 西班牙） ； Department of Computer Science and Centro de Investigación Avanzada en Física Fundamental（计算机科学系和先进物理基础研究中心） ； Universidad Autónoma de Madrid（马德里自治大学） 纠错

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

AI总结 研究变分深度高斯过程的后验坍缩问题，发现线性先验均值函数的优势源于改善初始化时的优化条件，提出零先验均值的替代初始化方法，避免后验坍缩并提升稳定性。

Comments Submitted to the Journal of Machine Learning Research

Do Foundation Models See Biology? Evaluating Attention Coherence with Spatial Transcriptomics in Glioblastoma

基础模型是否理解生物学？利用空间转录组学评估胶质母细胞瘤中的注意力一致性

Dilakshan Srikanthan, Amoon Jamzad, Paul Wilson, Nooshin Maghsoodi, Robert Policelli, Gabor Fichtinger, John F. Rudan, Parvin Mousavi

机构 * Translational Medicine, School of Medicine, Queen’s University, Kingston, ON, Canada（转化医学、医学院、皇后大学、金斯顿，ON，加拿大） ； School of Computing, Queen’s University, Kingston, ON, Canada（计算学院、皇后大学、金斯顿，ON，加拿大） ； Department of Surgery, Queen’s University, Kingston, ON, Canada（外科部门、皇后大学、金斯顿，ON，加拿大） 纠错

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

AI总结 提出基于空间转录组学的框架，客观评估病理基础模型注意力图与生物学的一致性，发现注意力捕捉多基因转录程序而非单个分子事件。

Escaping the Variance Trap: Jacobian-Free Dynamics for Root-Finding Bilevel Optimization

逃离方差陷阱：用于求根双层优化的无雅可比动力学

Zhiyu Li, Xi Xuan, Davide Carbone

机构 * University of Science and Technology of China（中国科学技术大学） ； City University of Hong Kong（香港城市大学） ； Laboratoire de Physique de l’École Normale Supérieure, Université PSL, CNRS, Sorbonne Université, Université de Paris（巴黎高等师范学院物理实验室，PSL大学，法国国家科学研究中心，索邦大学，巴黎大学） 纠错

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

AI总结 提出求根双层优化（RF-BO）框架，采用无雅可比的两时间尺度随机逼近（TTSA）方法，避免方差放大，并提供非渐近收敛保证，在多个任务中显著优于基线。

Single-Stage Hierarchical Rectification for Weakly Supervised Histopathology Segmentation

单阶段层次化校正用于弱监督组织病理学分割

Duc T. Nguyen, Hoang-Long Nguyen, Thanh-Ha DO, Huy-Hieu Pham

机构 * VinUni-Illinois Smart Health Center, VinUniversity, Hanoi, Vietnam（越南河内VinUniversity VinUni-Illinois智慧健康中心） ； The Computer Vision and Medical AI Lab, VinUniversity, Hanoi, Vietnam（越南河内VinUniversity计算机视觉与医学人工智能实验室） ； Posts and Telecommunications Institute of Technology, Hanoi, Vietnam（越南河内邮电技术学院） 纠错

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

AI总结 提出单阶段层次化校正框架，通过层次化特征校正模块在单次训练中直接生成高保真激活图，解决多阶段弱监督分割中的误差传播和计算开销问题。

Comments Accepted to MICCAI 2026. This is the pre-review submitted version, not the camera-ready version. The final authenticated version will be available in the MICCAI 2026 proceedings

RaLMPH: Reliability-aware Learning for Multi-Pathologist Harmonization in Whole-Slide Image Classification

RaLMPH：全切片图像分类中面向多病理学家协调的可靠性感知学习

Sungrae Hong, Jiwon Jeong, Soeun Cheon, Donghee Han, Sol Lee, Jisu Shin, Kyungeun Kim, Mun Yong Yi

机构 * Korea Advanced Institute of Science and Technology（韩国科学技术院） ； Seegene Medical Foundation（Seegene医学基金会） 纠错

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

AI总结 提出RaLMPH框架，通过可靠性场建模局部邻域结构和专家不确定性，实现多病理学家标注的全切片图像标签协调，提升多实例学习性能。

Comments Accepted by MICCAI 2026

ActWorld: From Explorable to Interactive World Model via Action-Aware Memory

ActWorld: 从可探索到可交互的世界模型——基于动作感知记忆

Zhexiao Xiong, Yizhi Song, Hao Kang, Qing Yan, Liming Jiang, Jenson Yang, Zhoujie Fu, Stathi Fotiadis, Angtian Wang, Zichuan Liu, Bo Liu, Yiding Yang, Xin Lu, Nathan Jacobs

机构 * Washington University in St. Louis（圣路易斯华盛顿大学） ； Intelligent Creation, ByteDance（字节跳动智能创作） 纠错

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

AI总结 提出ActWorld，通过构建10万交互视频数据集和分层动作感知记忆机制，在块自回归框架中扩展导航模型以支持对象交互，解决数据稀缺和记忆瓶颈问题。

Comments Project page: https://interactwm.github.io/ActWorld

Vision-Language Models as Zero-Annotation Oracles in Histopathology

视觉-语言模型作为组织病理学中的零标注预言机

Vishal Jain, Giorgio Buzzanca, Sarah Cechnicka, Maarten Naesens, Priyanka Koshy, Tri Nguyen, Jesper Kers, Candice Roufosse, Bernhard Kainz

机构 * Imperial College London（帝国理工学院） ； Leiden University Medical Center（莱顿大学医学中心） ； KU Leuven（鲁汶大学） ； University Hospitals Leuven（鲁汶大学医院） ； University Medical Center Utrecht（乌得勒支大学医学中心） ； Friedrich-Alexander University Erlangen-Nürnberg（埃尔朗根-纽伦堡大学） 纠错

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

AI总结 提出一种粗到细方法，利用通用视觉-语言模型作为零标注预言机进行前景分割，在特殊染色上优于监督基线，并通过伪标签蒸馏轻量学生模型。

Comments 11 pages, 1 figure, 6 tables. Code available at https://github.com/VishalJ99/vlm-wsi-auto-context

Direction-Conditioned Policies via Compositional Subgoal Scoring for Online Goal-Conditioned Reinforcement Learning

基于组合子目标评分的方向条件策略用于在线目标条件强化学习

Swaminathan S K, Damiya Gondha, Theyanesh Eswaramoorthy Rajahkrishnan, Aritra Hazra

机构 * Department of Computer Science and Engineering, Indian Institute of Technology Kharagpur（计算机科学与工程系，印度理工学院Kharagpur分校） ； Department of Mechanical Engineering, Indian Institute of Technology Kharagpur（机械工程系，印度理工学院Kharagpur分校） 纠错

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

AI总结 提出方向条件策略（DCP），通过共享InfoNCE表示将目标达成分解为子目标评分和方向条件动作，理论证明方向充分性、训练与部署一致性及可控子空间失效条件，在九个环境中优于对比RL。

Comments 17 pages, Accepted to the 2nd Workshop on Compositional Learning at ICML 2026 (Seoul, South Korea)

Bayesian Networks with Latent Time Embedding for Stage-Aware Causal Modeling of Alzheimer's Disease Progression

具有潜在时间嵌入的贝叶斯网络用于阿尔茨海默病进展的阶段感知因果建模

Nguyen Linh Dan Le

机构 * Alzheimer's Disease Neuroimaging Initiative（阿尔茨海默病神经影像学倡议） ； Open Access Series of Imaging Studies（开放获取影像学研究系列） 纠错

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

AI总结 提出BN-LTE框架，结合贝叶斯网络与潜在时间嵌入，利用AT(N)级联约束建模AD进展，在ADNI数据上优于基线，并识别出淀粉样蛋白敏感性的中期伪时间窗口。

Comments 7 pages, 5 figures

Towards Global AI-Driven Cervical Cancer Screening

迈向全球人工智能驱动的宫颈癌筛查

Thuy Nuong Tran, Ömer Sümer, Evangelia Christodoulou, Lennart Nauschütte, Simon Kalteis, Martin Paulikat, Esmira Pashayeva, Klara Steinheuer, Isabella Borges, Piotr Kalinowski, Hermann Bussmann, Sieng Sokmney, Poeung Kuong, Sathiarany Vong, Achim Schneider, Magnus von Knebel-Doeberitz, Patrick Godau, Lena Maier-Hein

机构 * German Cancer Research Center (DKFZ)（德国癌症研究中心） ； Heidelberg University（海德堡大学） ； National Center for Tumor Diseases (NCT) Heidelberg（海德堡国家肿瘤疾病中心） ； Helmholtz Association（亥姆霍兹联合会） ； University of Heidelberg（海德堡大学） ； Medical Faculty Heidelberg（海德堡医学院） ； University Hospital Heidelberg（海德堡大学医院） ； German Consortium for Translational Cancer Research (DKTK)（德国转化癌症研究联盟） ； National Center for Tumor Diseases (NCT) Dresden（德累斯顿国家肿瘤疾病中心） ； University Hospital Carl Gustav Carus Dresden（德累斯顿卡尔·古斯塔夫·卡鲁斯大学医院） ； Technische Universität Dresden（德累斯顿工业大学） ； Helmholtz-Zentrum Dresden-Rossendorf (HZDR)（亥姆霍兹德累斯顿罗森多夫研究中心） ； University of Bonn（波恩大学） ； University Hospital Bonn（波恩大学医院） ； University of Cologne（科隆大学） ； University Hospital Cologne（科隆大学医院） ； University of Duisburg-Essen（杜伊斯堡-埃森大学） ； University Hospital Essen（埃森大学医院） ； University of Freiburg（弗莱堡大学） ； University Hospital Freiburg（弗莱堡大学医院） ； University of Göttingen（哥廷根大学） ； University Hospital Göttingen（哥廷根大学医院） ； University of Hamburg（汉堡大学） ； University Hospital Hamburg-Eppendorf（汉堡-埃彭多夫大学医院） ； University of Jena（耶拿大学） ； University Hospital Jena（耶拿大学医院） ； University of Kiel（基尔大学） ； University Hospital Schleswig-Holstein（石勒苏益格-荷尔斯泰因大学医院） ； University of Leipzig（莱比锡大学） ； University Hospital Leipzig（莱比锡大学医院） ； University of Lübeck（吕贝克大学） ； University Hospital Lübeck（吕贝克大学医院） ； University of Magdeburg（马格德堡大学） ； University Hospital Magdeburg（马格德堡大学医院） ； University of Mainz（美因茨大学） ； University Hospital Mainz（美因茨大学医院） ； University of Marburg（马尔堡大学） ； University Hospital Marburg（马尔堡大学医院） ； University of Munich (LMU)（慕尼黑大学） ； University Hospital Munich (LMU)（慕尼黑大学医院） ； Technical University of Munich (TUM)（慕尼黑工业大学） ； University Hospital rechts der Isar (TUM)（慕尼黑工业大学伊萨尔河右岸医院） ； University of Münster（明斯特大学） ； University Hospital Münster（明斯特大学医院） ； University of Regensburg（雷根斯堡大学） ； University Hospital Regensburg（雷根斯堡大学医院） ； University of Rostock（罗斯托克大学） ； University Hospital Rostock（罗斯托克大学医院） ； University of Tübingen（蒂宾根大学） ； University Hospital Tübingen（蒂宾根大学医院） ； University of Ulm（乌尔姆大学） ； University Hospital Ulm（乌尔姆大学医院） ； University of Würzburg（维尔茨堡大学） ； University Hospital Würzburg（维尔茨堡大学医院） 纠错

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

AI总结 提出首个基于深度学习、在多国数据上验证的宫颈癌筛查方法，通过多任务学习同时进行图像分类和病变分割，在内部验证中优于医生，但外部验证显示性能因国家而异。

Comments 20 pages, 9 figures

Can Editing 1 Neuron Fix Repetition Loops in LLMs?

编辑1个神经元能修复LLM中的重复循环吗？

Aristotelis Lazaridis, Aman Sharma, Dylan Bates, Brian King, Vincent Lu, Jack FitzGerald

机构 * Edgerunner AI 纠错

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

AI总结 本文发现Gemma 4模型在长事实列举任务中高达95%的概率陷入重复循环，通过逐层消融和逐神经元归因定位到少量MLP神经元，并用静态权重编辑（小至单个神经元符号反转）消除循环，但无法解决因知识缺失导致的“末日循环”。