医学 AI

Diffusion Attention Expert Model for Predicting and Semi-automatic Localizing STAS in Lung Cancer Histopathological Images

扩散注意力专家模型用于预测和半自动定位肺癌组织病理图像中的STAS

Liangrui Pan, Jiadi Luo, Yuxuan Xiao, Chenchen Nie, Xiaoshuai Wu, Songqing Fan, Ling Chu, Manqiu Li, Rongfang He, Zhenyu Zhao, Ruixing Wang, Shulin Liu, Yiyi Liang, Xiang Wang, Qingchun Liang, Shaoliang Peng

机构 * College of Computer Science and Electronic Engineering, Hunan University（湖南大学计算机科学与电子工程学院） ； Department of Pathology, The Second Xiangya Hospital, Central South University（中南大学湘雅医院病理科） ； Hunan Clinical Medical Research Center for Cancer Pathogenic Genes Testing and Diagnosis（湖南临床医学肿瘤基因检测与诊断研究中心） ； Department of Thoracic Surgery, The Second Xiangya Hospital, Central South University（中南大学湘雅医院胸外科） ； Department of pathology, Hunan Cancer Hospital, The Affiliated Cancer Hospital of Xiangya School of Medicine, Central South University（湖南肿瘤医院病理科） ； Department of Pathology, The Third Xiangya Hospital, Central South University（中南大学湘雅第三医院病理科） ； Department of Pathology, First People's Hospital of Pingjiang County（平江县第一人民医院病理科） ； Department of Pathology, the First Affiliated Hospital, Hengyang Medical School, University of South China（南华大学衡阳医学院第一附属医院病理科） ； Department of Radiology, The Second Xiangya Hospital of Central South University（中南大学湘雅医院放射科） ； Department of Radiology, Xiangya Hospital, Central South University（中南大学湘雅医院放射科） ； Oncology Department and State Key Laboratory of Systems Medicine for Cancer of Shanghai Cancer Institute, Renji Hospital, School of Medicine, Shanghai Jiaotong University（上海癌症研究院肿瘤科及上海交通大学医学院系统医学重点实验室） 纠错

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

AI总结 本文提出DAEM模型，通过多尺度特征学习和双分支架构提升STAS检测精度，实现对冷冻切片和石蜡切片的高AUC值检测，并利用肿瘤微环境特征实现STAS半自动定位。

Comments Accepted by Nature Communications

When and Why Adversarial Training Improves PINNs: A Neural Tangent Kernel Perspective

何时以及为何对抗训练能提升PINNs：神经 tangent 核视角

Yuan-dong Cao, Chi Chiu SO, Jun-Min Wang, He Wang

机构 * School of Mathematics and Statistics, Beijing Institute of Technology, China（北京理工大学数学与统计学院，中国） ； School of Professional Education and Executive Development The Hong Kong Polytechnic University, China（香港理工大学专业教育学院及管理发展学院，中国） ； Department of Computer Science & UCL AI Centre, University College London, UK（伦敦大学学院计算机科学系及UCL人工智能中心，英国） 纠错

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

AI总结 本文从神经 tangent 核角度分析对抗训练提升PINNs的机制，提出理论框架并设计高效算法，实验证明能显著改善PINNs训练病理，提升模型精度。

MicroscopyMatching: Towards a Ready-to-use Framework for Microscopy Image Analysis in Diverse Conditions

MicroscopyMatching：面向多样条件下的显微图像分析即用框架

Xiaofei Hui, Haoxuan Qu, Hossein Rahmani, Shuohong Wang, Jeff W. Lichtman, Jun Liu

机构 * School of Computing and Communications（计算与通信学院） ； Lancaster University（兰卡斯特大学） ； Department of Cell Biology（细胞生物学系） ； Harvard Medical School（哈佛医学院） ； Department of Molecular and Cellular Biology（分子与细胞生物学系） ； Harvard University（哈佛大学） 纠错

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

AI总结 本文提出MicroscopyMatching框架，通过统一匹配问题解决显微图像分析中的分割、跟踪和计数任务，克服传统方法在多样条件下的适应性不足问题。

Neural Fields for NV-Center Inverse Sensing

神经场用于NV中心反向传感

Zhixuan Zhao, Tao Zhong, Yixun Hu, Nathalie P. de Leon, Christine Allen-Blanchette

机构 * Princeton University（普林斯顿大学） ； Tsinghua University（清华大学） 纠错

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

AI总结 本文研究了基于钻石中氮-空位中心的噪声传感反向问题，提出NeTMY神经场方法，通过改进的正则化和优化策略提升反向传感性能。

Comments 33 pages, 16 figures

GRASP: Guided Residual Adapters with Sample-wise Partitioning

GRASP：基于样本划分的引导残差适配器

Felix Nützel, Mischa Dombrowski, Bernhard Kainz

机构 * Friedrich-Alexander-Universität Erlangen-Nürnberg（埃朗根-纽伦堡弗里德里希-亚历山大大学） ； Imperial College London（伦敦帝国理工学院） 纠错

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

AI总结 GRASP通过样本层面的划分和残差适配器提升长尾场景下的生成质量与多样性，有效解决传统方法在长尾设置中的性能下降问题。

Comments 16 pages, 6 figures, 6 tables

The Procrustean Bed of Time Series: The Optimization Bias in Point-wise Loss Functions

时间序列的普鲁斯特床：点 wise 损失函数中的优化偏置

Rongyao Cai, Yuxi Wan, Kexin Zhang, Ming Jin, Zhiqiang Ge, Daoyi Dong, Hang Yu, Yong Liu, Qingsong Wen

机构 * Zhejiang University（浙江大学） ； Griffith University（格里菲斯大学） ； Southeast University（东南大学） ； University of Technology Sydney（悉尼科技大学） ； Ant Group（蚂蚁集团） ； Squirrel Ai Learning 纠错

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

AI总结 本文研究了点 wise 损失函数在时间序列预测中的优化偏置问题，提出通过序列长度缩减和结构正交化进行偏置消除，并通过实验验证了该方法的有效性。

Comments 54 pages

NeuroGAN-3D: Enhancing Intrinsic Functional Brain Networks via High-Fidelity 3D Generative Super-Resolution

NeuroGAN-3D: 通过高保真3D生成超分辨率增强内在功能脑网络

M. Moein Esfahani, Sepehr Salem Ghahfarokhi, Mohammed Alser, Jingyu Liu, Vince Calhoun

机构 * Georgia State University（佐治亚州立大学） ； Tri-Institutional Center for Translational Research in Neuroimaging and Data Science (TReNDS)（神经影像与数据科学转化研究三机构中心（TReNDS）） ； Georgia Institute of Technology（佐治亚理工学院） ； Emory University（埃默里大学） 纠错

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

AI总结 本文提出NeuroGAN-3D，利用生成对抗网络提升rs-fMRI空间图的分辨率，以更精确地局部化功能单元和检测神经生物学变化。

Comments Accepted in ICCABS 2026: The 14th International Conference on Computational Advances in Bio and Medical Sciences

Pretty Good Measurement for Radiomics: A Quantum-Inspired Multi-Class Classifier for Lung Cancer Subtyping and Prostate Cancer Risk Stratification

放射组学中的完美测量：一种受量子启发的多类分类器用于肺癌亚型划分和前列腺癌风险分层

Giuseppe Sergioli, Carlo Cuccu, Giovanni Pasini, Alessandro Stefano, Giorgio Russo, Andrés Camilo Granda Arango, Roberto Giuntini

机构 * Università degli Studi di Cagliari（卡利亚里大学） ； Institute of Bioimaging and Complex Biological Systems - National Research Council (IBSBC - CNR)（生物成像与复杂生物系统研究所 - 国家研究委员会） ； National Laboratory of South, National Institute for Nuclear Physics(LNS-INFN)（南部国家实验室，核物理研究所） 纠错

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

AI总结 本文提出一种基于量子启发的多类分类方法，用于肺癌和前列腺癌的分类，通过单个POVM构造实现多类分类，优于传统二元或一对一方案，实验显示其在肺癌和前列腺癌任务中表现优异。

Comments 22 pages, 9 figures, 12 table, in preparation for journal submission

Learned Lyapunov Shielding for Adaptive Control

基于学习的李雅普诺夫防护用于自适应控制

Giansalvo Cirrincione, Adriano Fagiolini

机构 * MIRPALab, Department of Engineering, University of Palermo（MIRPAL实验室、工程系、巴勒莫大学） ； Laboratoire LTI, Université de Picardie Jules Verne（LTI实验室、皮卡第大学朱利斯·韦尔纳大学） ； University of Palermo（巴勒莫大学） 纠错

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

AI总结 本文提出了一种结合学习组件的自适应控制器，通过结构二次李雅普诺夫函数、软演员-评论家策略和物理感知神经网络，实现安全过滤和动态补偿，验证了控制器的全局可行性、指数稳定性及收敛性。

Outlier Smoothing with Closed-Form Rotations for W4A4 Large Language Model Quantization

基于闭式旋转的W4A4大语言模型量化去噪

Jinying Xiao, Bin Ji, Shasha Li, Xiaodong Liu, Ma Jun, Chao Wang, Wei Li, Ye Zhong, Xuan Xie, Nyima Tashi, Jie Yu

机构 * National University of Defense Technology（国防科技大学） ； Qinghai Normal University（青海师范大学） ； Tibet University（西藏大学） 纠错

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

AI总结 本文提出SingleQuant框架，通过闭式最优旋转平滑激活异常值，提升大语言模型量化性能，实验证明其在多种任务中优于基线方法。

Comments 9 pages, 4 figures

Cumulative-Goodness Free-Riding in Forward-Forward Networks: Real, Repairable, but Not Accuracy-Dominant

累积良好性免费搭车在前向-前向网络中：真实、可修复，但不主导精度

Amirhossein Yousefiramandi

机构 * Amirhossein Yousefiramandi（阿米尔霍西·尤塞菲拉曼迪） 纠错

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

AI总结 本文研究了前向-前向网络中累积良好性免费搭车现象，提出三种局部修复方法提升层间分离度，实验表明在CIFAR-10和CIFAR-100上深度层分离度显著提升，但对精度影响有限。

Feature Starvation as Geometric Instability in Sparse Autoencoders

稀疏自编码器中的特征枯竭作为几何不稳定性

Faris Chaudhry, Keisuke Yano, Anthea Monod

机构 * Imperial College London South Kensington Campus（伦敦帝国理工学院南肯辛顿校区） ； Institute for Statistical Mathematics（统计数学研究所） 纠错

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

AI总结 本文提出了一种自适应弹性净稀疏自编码器（AEN-SAEs），通过引入ℓ2结构项和自适应ℓ1重新加权，解决稀疏自编码器中的特征枯竭问题，同时保持重建能力。

Comments 26 pages, 3 figures, 5 tables

Exploring Prompt Alignment with Clinical Factors in Zero-Shot Segmentation VLMs for NSCLC Tumor Segmentation

探索临床因素在零样本分割VLMs中的提示对齐用于NSCLC肿瘤分割

Suraj Pai, Thibault Heintz, Cosmin Ciausu, Marion Tonneau, Hugo Aerts, Raymond Mak

机构 * Artificial Intelligence in Medicine Program, Mass General Brigham, Harvard Medical School, USA（麻省总医院布里奇沃特医学中心人工智能医学项目，哈佛医学院，美国） 纠错

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

AI总结 研究通过分析VoxTell在NSCLC肿瘤数据集上的提示对齐方向，发现解剖位置主导空间注意力，零样本分割VLMs在NSCLC肿瘤分割中表现优于其他模型。

Value Functions for Temporal Logic: Optimal Policies and Safety Filters

时序逻辑的价值函数：最优策略与安全过滤

Oswin So, William Sharpless, Sylvia Herbert, Chuchu Fan

机构 * Massachusetts Institute of Technology（麻省理工学院） ； University of California（加州大学） 纠错

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

AI总结 研究时序逻辑价值函数在无限时间 horizon 下的最优策略与安全过滤机制，通过非马尔可夫策略避免路径病态并证明其鲁棒性。

Validation of Whole-Slide Foundation Models for Image Retrieval in TCGA Data

对TCGA数据中整张滑动图像检索的整张滑动图像基础模型进行验证

Tianhao Lei, Parsa Esmaeilkhani, Saghir Alfasly, Wataru Uegami, Judy C. Boughey, Matthew P. Goetz, Krishna R. Kalari, H. R. Tizhoosh

机构 * KIMIA Lab, Artificial Intelligence and Informatics, Mayo Clinic, Rochester, MN, USA（KIMIA实验室，人工智能与信息学，梅奥诊所，罗切斯特，明尼苏达州，美国） ； Department of Neurology, Northwestern University Feinberg School of Medicine, Chicago, IL, USA（神经病学系，北western大学费因伯格医学院，芝加哥，伊利诺伊州，美国） ； Department of Computer Science, Temple University, Philadelphia, PA, USA（计算机科学系，泰勒大学，费城，宾夕法尼亚州，美国） ； Department of Breast and Melanoma Surgical Oncology, Comprehensive Cancer Center, Mayo Clinic, Rochester, MN, USA（乳腺和黑色素瘤外科肿瘤学系，综合癌症中心，梅奥诊所，罗切斯特，明尼苏达州，美国） ； Department of Oncology, Comprehensive Cancer Center, Mayo Clinic, Rochester, MN, USA（肿瘤学系，综合癌症中心，梅奥诊所，罗切斯特，明尼苏达州，美国） ； Department of Quantitative Health Sciences, Mayo Clinic, Rochester, MN, USA（定量健康科学系，梅奥诊所，罗切斯特，明尼苏达州，美国） 纠错

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

AI总结 本研究验证了TCGA数据中整张滑动图像基础模型的检索性能，发现基于片段和监督聚合的方法在Top-1和Top-3准确率上表现相当，但整体性能受器官和诊断差异影响较大，形态学检索存在固有限制，需进一步改进特征表示和多模态框架。

Magnification-Invariant Image Classification via Domain Generalization and Stable Sparse Embedding Signatures

通过领域泛化和稳定的稀疏嵌入签名实现放大不变的图像分类

Ifeanyi Ezuma, Olusiji Medaiyese

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

AI总结 本文提出通过领域泛化和稳定稀疏嵌入签名解决放大偏移问题，验证了领域泛化模型在不同放大倍数下的优越性能，且在保持预测性能的同时显著减少了嵌入维度。

Comments 12 pages, 7 figures, 3 tables. Preprint manuscript

SIMPLER: H&E-Informed Representation Learning for Structured Illumination Microscopy

SIMPLER: 基于H&E的结构光照明显微镜表示学习

Abu Zahid Bin Aziz, Syed Fahim Ahmed, Gnanesh Rasineni, Mei Wang, Olcaytu Hatipoglu, Marisa Ricci, Malaiyah Shaw, Guang Li, J. Quincy Brown, Valerio Pascucci, Shireen Elhabian

机构 * Kahlert School of Computing, University of Utah, Salt Lake City, UT 84112, USA Scientific Computing \& Imaging Institute, University of Utah, Salt Lake City, UT 84112, USA Instapath Inc., Houston, TX 77021 Tulane University, Department of Biomedical Engineering, New Orleans, Louisiana, United States 纠错

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

AI总结 本文提出SIMPLER框架，利用H&E作为语义锚点学习可重用的SIM表示，通过对抗、对比和重建目标逐步对齐SIM和H&E，提升跨模态任务性能。

TEMPO: Transformers for Temporal Disease Progression from Cross-Sectional Data

TEMPO：从横断面数据中基于变换器的疾病进展模型

Hongtao Hao, Joseph L. Austerweil

机构 * University of Wisconsin—Madison（威斯康星大学麦迪逊分校） ； Chiba Institute of Technology（千叶技术大学） 纠错

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

AI总结 TEMPO通过基于模拟的监督学习，从横断面数据中学习有序和连续事件序列，显著提高了疾病阶段预测的准确性，适用于高维数据和ADNI数据集。

Comments 31 pages; Published at Conference on Health, Inference, and Learning (CHIL) 2026

Journal ref Proceedings of Machine Learning Research, 333, 2026

Unified Multi-Foundation-Model Slide Representation for Pan-Cancer Recognition and Text-Guided Tumor Localization

统一多基础模型滑片表示用于泛癌症识别和文本引导的肿瘤定位

Tianyang Wang, Ziyu Su, Abdul Rehman Akbar, Usama Sajjad, Lina Gokhale, Charles Rabolli, Wei Chen, Anil Parwani, Muhammad Khalid Khan Niazi

机构 * Department of Pathology, College of Medicine, The Ohio State University Wexner Medical Center（病理学系，医学学院，俄亥俄州立大学韦克斯纳医学中心） ； Department of Biomedical Engineering, The Ohio State University（生物医学工程系，俄亥俄州立大学） 纠错

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

AI总结 本文提出ASTRA框架，通过整合异构基础模型表示，结合结构化病理标注字段，实现统一的滑片表示学习，支持多类别分类和文本引导的肿瘤定位。

HFS-TriNet: A Three-Branch Collaborative Feature Learning Network for Prostate Cancer Classification from TRUS Videos

HFS-TriNet：一种用于从TRUS视频中分类前列腺癌的三分支协作特征学习网络

Xu Lu, Qianhong Peng, Qihao Zhou, Shaopeng Liu, Xiuqin Ye, Chuan Yang, Yuan Yuan

机构 * Guangdong Polytechnic Normal University（广东 polytechnic 正规大学） ； Guangdong Provincial Key Laboratory of Intellectual Property & Big Data（广东省知识产权与大数据重点实验室） ； The First Affiliated Hospital of Jinan University（暨南大学第一附属医院） ； Shenzhen People’s Hospital（深圳人民医院） 纠错

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

AI总结 本文提出HFS-TriNet，通过三分支协作学习网络和启发式帧选择策略，解决TRUS视频分析中的信息冗余、特征提取复杂和信噪比低等问题，提升CAD系统准确性。

Attention-based multiple instance learning for predominant growth pattern prediction in lung adenocarcinoma wsi using foundation models

基于注意力机制的多实例学习用于肺腺癌全切片中主导生长模式预测

Laura Valeria Perez-Herrera, M. J. Garcia-Gonzalez, Karen Lopez-Linares

机构 * Vicomtech Foundation, Basque Research and Technology Alliance (BRTA)（Vicomtech基金会，巴斯克研究与技术联盟（BRTA）） ； eHealth Group, Bioengineering Area, Biogipuzkoa Health Research Institute（eHealth集团，生物工程领域，Biogipuzkoa健康研究中心） 纠错

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

AI总结 本文提出基于注意力机制的多实例学习框架，利用预训练病理基础模型提取特征，通过全切片级预测减少标注负担，实验显示细调编码器提升性能，与基线方法相比预测更稳健。

Adaptive MSD-Splitting: Enhancing C4.5 and Random Forests for Skewed Continuous Attributes

自适应MSD分割：增强C4.5和随机森林以处理偏斜的连续属性

Jake Lee

机构 * Independent Researcher（独立研究者） 纠错

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

AI总结 本文提出自适应MSD分割方法，通过动态调整标准差倍数来优化连续属性离散化，提升C4.5和随机森林的性能，实验证明在多个数据集上准确率提升2-4%。

Attend what matters: Leveraging vision foundational models for breast cancer classification using mammograms

关注关键内容：利用视觉基础模型进行乳腺癌分类的乳腺X线摄影研究

Samyak Sanghvi, Piyush Miglani, Sarvesh Shashikumar, Kaustubh R Borgavi, Veenu Singla, Chetan Arora

机构 * Department of Radiodiagnosis, PGIMER Chandigarh（放射诊断系，PGIMER昌迪加尔） 纠错

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

AI总结 本文提出利用视觉Transformer进行乳腺癌分类，通过区域兴趣点减少、对比学习和预训练ViT提升细粒度判别能力，实验显示优于现有基线。

Composed Vision-Language Retrieval for Skin Cancer Case Search via Joint Alignment of Global and Local Representations

基于全局与局部表示联合对齐的皮肤癌病例检索视觉-语言检索

Yuheng Wang, Yuji Lin, Jiayue Cai, Z. Jane Wang, Tim K. Lee

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

AI总结 本文提出一种基于Transformer的框架，通过联合对齐全局和局部表示，提升皮肤癌病例检索的准确性和效率，实验表明在Derm7pt数据集上优于现有方法。

DB-FGA-Net: Dual Backbone Frequency Gated Attention Network for Multi-Class Brain Tumor Classification with Grad-CAM Interpretability

DB-FGA-Net：双主干频率门控注意力网络用于具有Grad-CAM可解释性的多类脑肿瘤分类

Saraf Anzum Shreya, MD. Abu Ismail Siddique, Sharaf Tasnim

机构 * Dept. of Electronics and Telecommunication Engineering, Rajshahi University of Engineering and Technology（电子与电信工程系，拉贾沙希工程与技术大学） 纠错

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

AI总结 本文提出一种双主干网络，结合VGG16和Xception，通过频率门控注意力模块捕捉局部和全局特征，实现无需数据增强的高准确率分类，并通过Grad-CAM可视化提升临床可解释性。

Comments 25 pages, 14 figures, 13 tables

Multi-Task LLM with LoRA Fine-Tuning for Automated Cancer Staging and Biomarker Extraction

多任务LLM结合LoRA微调用于自动癌症分期和生物标志物提取

Jiahao Shao, Anam Nawaz Khan, Christopher Brett, Tom Berg, Xueping Li, Bing Yao

机构 * Department of Industrial & Systems Engineering, The University of Tennessee, Knoxville（工业与系统工程系，田纳西大学， Knoxville） 纠错

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

AI总结 本文提出一种参数高效、多任务框架，利用LoRA微调LLM实现乳腺癌TNM分期、组织学分级和生物标志物的自动化提取，实验显示其在宏F1分数上达到0.976，优于传统方法。

Comments 11 pages, 3 figures and 4 tables in the main manuscript. Additional content, figures and tables are in supplementary material section. 17 pages in total

PC-MIL: Decoupling Feature Resolution from Supervision Scale in Whole-Slide Learning

PC-MIL：在全片学习中解耦特征分辨率与监督尺度

Syed Fahim Ahmed, Gnanesh Rasineni, Florian Koehler, Abu Zahid Bin Aziz, Mei Wang, Attila Gyulassy, Brian Summa, J. Quincy Brown, Valerio Pascucci, Shireen Y. Elhabian

机构 * Kahlert School of Computing, University of Utah, Salt Lake City, UT 84112, USA Scientific Computing \& Imaging Institute, University of Utah, Salt Lake City, UT 84112, USA Instapath Inc., Houston, TX 77021, USA Tulane University, Department of Biomedical Engineering, New Orleans, Louisiana, USA 纠错

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

AI总结 PC-MIL通过解耦特征分辨率与监督尺度，提升全片学习中对解剖结构的建模能力，实现跨上下文的泛化性能提升。

Comments 11 pages, 2 figures, 2 tables. Under review at MICCAI 2026

AdvDINO: Domain-Adversarial Self-Supervised Representation Learning for Spatial Proteomics

AdvDINO：用于空间蛋白质组学的领域对抗自监督表示学习

Stella Su, Marc Harary, Scott J. Rodig, William Lotter

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

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

AI总结 AdvDINO通过整合梯度反转层提升DINOv2架构，以对抗领域偏移，从而在空间蛋白质组学中获得更稳健的表示。

Comments Proceedings of the Medical Imaging with Deep Learning (MIDL) Conference 2026

On the Global Photometric Alignment for Low-Level Vision

关于低级视觉的全局光度对齐

Mingjia Li, Tianle Du, Hainuo Wang, Qiming Hu, Xiaojie Guo

机构 * Tianjin University（天津大学） 纠错

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

AI总结 本文提出Photometric Alignment Loss，通过闭式仿射颜色对齐减少光度差异，提升多任务和多数据集的性能。

PRIME: Prototype-Driven Multimodal Pretraining for Cancer Prognosis with Missing Modalities

PRIME：面向癌症预后分析的原型驱动多模态预训练方法，适用于缺失模态

Kai Yu, Shuang Zhou, Yiran Song, Zaifu Zhan, Jie Peng, Kaixiong Zhou, Tianlong Chen, Feng Xie, Meng Wang, Huazhu Fu, Mingquan Lin, Rui Zhang

机构 * University of Minnesota（明尼苏达大学） ； University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校） ； North Carolina State University（北卡罗来纳州立大学） ； National University of Singapore（新加坡国立大学） ； Institute of High Performance Computing, Agency for Science, Technology and Research（高性能计算研究所，新加坡科技研究局） 纠错

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

AI总结 PRIME通过原型记忆银行实现缺失模态下的多模态自监督预训练，提升在碎片化临床数据中的预测性能，实现结构对齐和鲁棒性提升。