Coordinate-conditioned Deconvolution for Scalable Spatially Varying High-Throughput Imaging
用于可扩展空间变化高通量成像的坐标条件去卷积
专题命中 病理影像 ：biomedical(abstract)；分类 eess.IV
AI总结 SV-CoDe通过坐标条件卷积实现空间变化高通量成像的可扩展高分辨率重建，减少模型大小和训练数据需求，适用于多种生物医学成像应用。
科学与医疗
医学 AI
医学智能、临床 AI、医学影像、病理、诊断和医疗健康大模型。
1. 病理影像 3453 篇
Leveraging Multi-Rater Annotations to Calibrate Object Detectors in Microscopy Imaging
利用多评分注释校准显微成像中的目标检测器
机构 * Helmholtz AI, Helmholtz Zentrum München（海德堡医学中心） ； Department of Medicine II, University Medical Center Mannheim, Medical Faculty Mannheim（曼海姆大学医学中心）
专题命中 病理影像 ：biomedical(abstract)；分类 cs.CV
AI总结 本文提出利用多评分注释校准显微成像目标检测器，通过训练独立模型并集成预测以提高校准性能，同时保持检测准确性。
Comments Accepted as a conference paper at ISBI 2026
Exo-Plore: Exploring Exoskeleton Control Space through Human-aligned Simulation
Exo-Plore：通过与人类对齐的模拟探索外骨骼控制空间
机构 * Seoul National University（首尔国立大学） ； Holiday Robotics（假日机器人） ； Northeastern University（东北大学）
专题命中 病理影像 ：pathology(abstract)；分类 cs.LG
AI总结 Exo-Plore通过神经机械模拟与深度强化学习优化髋部外骨骼辅助，无需真实人类实验，生成逼真步态数据并推广至病理性步态。
Comments 10 pages, 9 figures, ICLR 2026 accepted
Expected Return Causes Outcome-Level Mode Collapse in Reinforcement Learning and How to Fix It with Inverse Probability Scaling
预期回报导致强化学习中的结果层面模式崩溃及如何通过逆概率缩放修复它
机构 * National University of Singapore, Singapore（新加坡国立大学）
专题命中 病理影像 ：pathology(abstract)；分类 cs.LG
AI总结 本文提出逆概率缩放方法，通过修正预期回报目标来解决强化学习中的结果层面模式崩溃问题，有效提升多模式策略优化的可靠性。
Better without U: Impact of Selective Hubbard U Correction on Foundational MLIPs
无需U：选择性Hubbard U修正对基础MLIPs的影响
专题命中 病理影像 ：pathology(abstract)；分类 cs.LG
AI总结 本文指出，选择性应用Hubbard U修正导致fMLIPs出现不一致的势能面，从而引起结合不足和排斥，建议未来数据集排除+U以提升模型性能。
Robust Computational Extraction of Non-Enhancing Hypercellular Tumor Regions from Clinical Imaging Data
鲁棒的非增强型超细胞肿瘤区域从临床影像数据中计算提取
机构 * Neurosurgery, University Hospital（神经外科，大学医院） ； CIML, Biophysics, University of Regensburg（CIML生物物理，雷根斯堡大学） ； IEETA, DETI, Universidade de Aveiro（IEETA，DETI，阿维罗大学）
专题命中 病理影像 ：MRI(abstract)；分类 cs.LG
AI总结 本文提出了一种鲁棒的计算框架，用于从临床影像数据中提取非增强型超细胞肿瘤区域，通过多种网络架构提高鲁棒性，并验证了其在临床中的应用价值。
Histopath-C: Towards Realistic Domain Shifts for Histopathology Vision-Language Adaptation
Histopath-C: 向 histopathology 视觉-语言适应的现实领域偏移迈进
机构 * LIVIA, ÉTS Montreal, Canada International Laboratory on Learning Systems (ILLS)（LIVIA，蒙特利尔工程学院，加拿大国际学习系统实验室）
专题命中 病理影像 ：pathology(abstract)；分类 cs.CV
AI总结 Histopath-C通过引入现实合成损坏的基准和LATTE策略，提升组织病理学图像的视觉-语言适应鲁棒性。
Comments Accepted to WACV 2026
An Innovative Framework for Breast Cancer Detection Using Pyramid Adaptive Atrous Convolution, Transformer Integration, and Multi-Scale Feature Fusion
基于金字塔自适应空洞卷积、Transformer集成和多尺度特征融合的乳腺癌检测创新框架
专题命中 病理影像 ：diagnosis(abstract)；分类 cs.CV
AI总结 本文提出基于金字塔自适应空洞卷积、Transformer和多尺度特征融合的乳腺癌检测框架，实现高准确率和效率，优于现有方法。
Comments 13 page
SGPMIL: Sparse Gaussian Process Multiple Instance Learning
SGPMIL：稀疏高斯过程多实例学习
机构 * National and Kapodistrian University of Athens（希腊国家与卡波迪斯蒂亚诺斯大学） ； ÉTS Montréal（蒙特利尔ÉTS） ； Archimedes, Athena Research Center（阿提卡研究中心） ； CentraleSupélec, Université Paris-Saclay（巴黎萨克雷大学中央理工-supélec）
专题命中 病理影像 ：pathology(abstract)；分类 cs.CV
AI总结 SGPMIL通过引入稀疏高斯过程，提升多实例学习中实例级预测的可靠性与可解释性。
Comments 8 pages, 4 figures, 2 tables. Accepted to IEEE/CVF Winter Conference on Applications of Computer Vision (WACV) 2026
Radiomics-Integrated Deep Learning with Hierarchical Loss for Osteosarcoma Histology Classification
融合放射组学的深度学习与分层损失用于骨肉瘤组织学分类
机构 * University College London（伦敦大学） ； UCL Hawkes Institute（UCL霍克斯研究所） ； Queen Mary University of London（伦敦女王学院） ； Royal National Orthopaedic Hospital（国家骨科医院）
专题命中 病理影像 ：pathology(abstract)；分类 cs.CV
AI总结 本文提出融合放射组学的深度学习与分层损失方法，用于提高骨肉瘤组织学分类的准确性与可解释性。
Developing Predictive and Robust Radiomics Models for Chemotherapy Response in High-Grade Serous Ovarian Carcinoma
开发用于高恶性卵巢癌化疗反应的预测和鲁棒放射组学模型
专题命中 病理影像 ：CT(abstract)；分类 cs.CV
AI总结 本研究通过整合不同特征选择方法，开发预测高恶性卵巢癌化疗反应的放射组学模型，提升预测准确性与鲁棒性。
Comments 22pages, 5 figures, 5 tables
Tissue Classification and Whole-Slide Images Analysis via Modeling of the Tumor Microenvironment and Biological Pathways
通过建模肿瘤微环境和生物通路进行组织分类和全片图像分析
专题命中 病理影像 ：diagnosis(abstract)；分类 cs.CV
AI总结 BioMorphNet通过整合肿瘤微环境和生物通路信息，提升全片图像中组织分类和差异基因分析的准确性。
Comments 19 pages, 8 figures. This work has been submitted to the IEEE for possible publication
MiCo: Multiple Instance Learning with Context-Aware Clustering for Whole Slide Image Analysis
MiCo：基于上下文感知聚类的多实例学习用于整张滑动图像分析
机构 * Hunan Provincial Key Lab on Bioinformatics, School of Computer Science and Engineering, Central South University（湖南生物信息省重点实验室，计算机科学与工程学院，中南大学） ； Xinjiang Engineering Research Center of Big Data and Intelligent Software, School of Software, Xinjiang University（新疆大数据与智能软件工程研究中心，软件学院，新疆大学）
专题命中 病理影像 ：diagnosis(abstract)；分类 cs.CV
AI总结 MiCo通过上下文感知聚类提升整张滑动图像分析中跨区域组织相关性和语义关联。
Comments MICCAI 2025
Quantifying Quanvolutional Neural Networks Robustness for Speech in Healthcare Applications
量化用于医疗应用的语音的卷积神经网络鲁棒性
机构 * Networked Sensing & Biomedical Engineering (NSBE) Research lab, School of Engineering, Deakin University（网络感知与生物医学工程（NSBE）研究实验室，工程学院，德肯大学）
专题命中 病理影像 ：pathology(abstract)；分类 cs.LG
AI总结 本文研究了QNN在医疗语音应用中的鲁棒性，发现其在音高、时间及速度变化下表现优于CNN，但对高斯噪声仍较敏感，且收敛速度更快。
Data-Augmented Multimodal Feature Fusion for Multiclass Visual Recognition of Oral Cancer Lesions
数据增强多模态特征融合用于口腔癌病变的多类视觉识别
机构 * MSA University（MSA大学）
专题命中 病理影像 ：diagnosis(abstract)；分类 cs.CV
AI总结 本文提出一种数据增强驱动的多模态特征融合框架，用于提升口腔癌病变的多类视觉识别性能。
Conditional Diffusion Model with Anatomical-Dose Dual Constraints for End-to-End Multi-Tumor Dose Prediction
具有解剖剂量双约束的条件扩散模型用于端到端多肿瘤剂量预测
机构 * Faculty of Applied Sciences, Macao Polytechnic University（澳门理工大学应用科学学院） ； Affiliated Hospital of Xiangnan University（湘南大学附属医院） ； Jiangxi Cancer Hospital（江西省肿瘤医院） ； Chenzhou Third People's Hospital（郴州第三人民医院）
专题命中 病理影像 ：CT(abstract)；分类 cs.CV
AI总结 ADDiff-Dose通过条件扩散模型实现多肿瘤剂量预测，结合解剖和剂量约束，提升预测精度与临床适用性。
TICON: A Slide-Level Tile Contextualizer for Histopathology Representation Learning
TICON：用于病理学表示学习的滑片级上下文化器
机构 * Stony Brook University（石溪大学） ； MICS, CentraleSupélec, Université Paris-Saclay（MICS、CentraleSupélec、巴黎-萨克雷大学） ； UNC Charlotte（北卡罗来纳大学夏洛特分校） ； Argonne National Laboratory（阿贡国家实验室） ； University of Chicago（芝加哥大学） ； Archimedes/Athena RC ； Independent Researcher（独立研究者）
专题命中 病理影像 ：pathology(abstract)；分类 cs.CV
AI总结 TICON通过统一的Transformer模型提升病理学滑片和全滑片表示学习的性能，实现多个基准的新状态-of-the-art结果。
HistoKernel: Whole Slide Image Level Maximum Mean Discrepancy Kernels for Pan-Cancer Predictive Modelling
HistoKernel：全切片图像层面的最大均值差异核用于跨癌症预测建模
专题命中 病理影像 ：pathology(abstract)；分类 cs.LG
AI总结 HistoKernel通过最大均值差异核提升全切片图像层面的跨癌症预测性能，实现多模态数据整合与斑块级可解释性。
Comments 28 pages, 5 figures, 1 Table. Preprint for article in review at Nature Machine Intelligence
WSD-MIL: Window Scale Decay Multiple Instance Learning for Whole Slide Image Classification
WSD-MIL：窗口尺度衰减多实例学习用于整张滑动图像分类
机构 * School of Artificial Intelligence Beijing University of Posts（人工智能学院 北京邮电大学）
专题命中 病理影像 ：pathology(abstract)；分类 cs.CV
AI总结 WSD-MIL通过引入窗口尺度衰减机制，提升整张滑动图像分类中对不同尺度肿瘤区域的建模能力，同时提高计算效率。
Breast Cancer Recurrence Risk Prediction Based on Multiple Instance Learning
基于多实例学习的乳腺癌复发风险预测
专题命中 病理影像 ：pathology(abstract)；分类 cs.CV
AI总结 本研究基于多实例学习方法，利用深度学习对乳腺癌复发风险进行预测，提出改进的CLAM-SB模型在5折交叉验证中表现出最佳性能。
MambaMIL+: Modeling Long-Term Contextual Patterns for Gigapixel Whole Slide Image
MambaMIL+: 模型长期上下文模式以处理吉像素全切片图像
机构 * Department of Computer Science and Engineering, Hong Kong University of Science and Technology（计算机科学与工程系，香港科学与技术大学） ； Department of Pathology, Nanfang Hospital, School of Basic Medical Sciences, Southern Medical University（病理学系，南方医科大学） ； th Hospital of Joint Logistic Support Force, PLA（联合后勤保障部队900医院） ； Department of Pathology, Zhujiang Hospital, Southern Medical University（病理学系，南方医科大学） ； Department of Computer Science and Engineering, the Department of Chemical and Biological Engineering, the Division of Life Science, the State Key Laboratory of Nervous System Disorders, Hong Kong University of Science and Technology（计算机科学与工程系、化学与生物工程系、生命科学 division、神经系统紊乱国家重点实验室，香港科学与技术大学） ； HKUST Shenzhen-Hong Kong Collaborative Innovation Research Institute（香港科技大学深圳-香港协同创新研究院）
专题命中 病理影像 ：pathology(abstract)；分类 cs.CV
AI总结 MambaMIL+通过整合空间上下文和长距离依赖建模，提升全切片图像分析的效率和鲁棒性。
Comments 18 pages, 11 figures, 10 tables
ModalSurv: Investigating opportunities and limitations of multimodal deep survival learning in prostate and bladder cancer
ModalSurv: 探索多模态深度生存学习在前列腺和膀胱癌中的机会与局限
机构 * TIA Centre, Department of Computer Science, University of Warwick, UK（沃里克大学计算机科学系TIA中心，英国）
专题命中 病理影像 ：MRI(abstract)；分类 cs.LG
AI总结 ModalSurv通过多模态数据整合提升生存预测，但在外部测试中临床特征表现更优，揭示了多模态对齐的挑战和泛化能力的限制。
Comments 4 pages, 1 figure, 2 tables
MUSE: Multi-Scale Dense Self-Distillation for Nucleus Detection and Classification
MUSE：多尺度密集自蒸馏用于核检测与分类
机构 * DAMO Academy, Alibaba Group（阿里集团 DAMO 院）
专题命中 病理影像 ：pathology(abstract)；分类 cs.CV
AI总结 MUSE通过多尺度密集自蒸馏方法，有效解决组织病理学中核检测与分类的核心挑战，提升细粒度核级表示能力。
Comments 12 pages, 7 figures
LLM-driven Knowledge Enhancement for Multimodal Cancer Survival Prediction
基于大语言模型的知识增强的多模态癌症生存预测
机构 * 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系） ； Department of Chemical and Biological Engineering, The 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, The Hong Kong University of Science and Technology（香港科技大学生命科学系） ； 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） ； 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）
专题命中 病理影像 ：pathology(abstract)；分类 cs.CV
AI总结 本文提出KEMM模型，通过整合专家报告和预后背景知识，利用知识增强的跨模态注意力模块提升癌症生存预测性能。
CAPRMIL: Context-Aware Patch Representations for Multiple Instance Learning
基于上下文的补丁表示用于多实例学习
机构 * National and Kapodistrian University of Athens（希腊国家与卡波迪斯蒂亚纳大学） ； Archimedes, Athena Research Center（阿提卡研究中心） ； MICS Laboratory, CentraleSupélec, Université Paris-Saclay（中央超导实验室，巴黎萨克雷大学） ； IHU PRISM, National Center for Precision Medicine in Oncology, Gustave Roussy（IHU PRISM，国家精准医学在肿瘤学中的研究中心，格斯塔夫·鲁西医院）
专题命中 病理影像 ：pathology(abstract)；分类 cs.CV
AI总结 CAPRMIL通过上下文感知的补丁表示替代复杂池化，提升多实例学习在病理分析中的性能与效率
Comments 24 pages, 12 Figures, 4 Tables
Masked Omics Modeling for Multimodal Representation Learning across Histopathology and Molecular Profiles
掩码组学建模用于病理学与分子特征的多模态表示学习
机构 * Oncopole（奥恩波尔） ； IRT Saint Exupéry（国际研究与技术圣埃克苏佩里） ； INSERM Cancer Research Center of Toulouse（里沃利癌症研究中心） ； Toulouse（图卢兹）
专题命中 病理影像 ：pathology(abstract)；分类 cs.LG
AI总结 MORPHEUS通过整合病理学图像和多组学数据，提出了一种多模态预训练策略，以提升癌症研究中的跨模态表示学习能力。
DA-SSL: self-supervised domain adaptor to leverage foundational models in turbt histopathology slides
DA-SSL: 一种自监督域适配器，用于利用基础模型在尿道肿瘤切除术（TURBT）病理切片中的应用
专题命中 病理影像 ：pathology(abstract)；分类 cs.CV
AI总结 DA-SSL通过自监督域适配提升基础模型在TURBT病理切片中的应用效果，实现治疗反应预测的高准确率与灵敏度。
Reducing Domain Gap with Diffusion-Based Domain Adaptation for Cell Counting
通过扩散域适应减少领域差距用于细胞计数
机构 * Computer Science Department , Iowa State University, IA, USA（计算机科学系，爱荷华州立大学，IA，USA）
专题命中 病理影像 ：biomedical(abstract)；分类 cs.CV
AI总结 本研究通过基于InST的风格迁移方法，有效减少合成与真实显微镜数据间的领域差距，提升细胞计数性能，同时减少人工标注工作量。
Comments Accepted at ICMLA 2025
ConStruct: Structural Distillation of Foundation Models for Prototype-Based Weakly Supervised Histopathology Segmentation
ConStruct：用于基于原型的弱监督病理分割的基模态结构蒸馏
机构 * Ho Chi Minh City University of Technology（胡志明市技术大学） ； University of Technology Sydney（悉尼技术大学） ； University of Houston（休斯顿大学） ； University of Information Technology（信息科技大学） ； College of Medical Science and Technology, Taipei Medical University（台北医学院医学科技学院） ； Department of Computer Science, Emory University（埃默里大学计算机科学系） ； Montefiore Medical Center, Albert Einstein College of Medicine（蒙特福伊医疗中心，阿尔伯特·爱因斯坦医学院） ； School of Computer Science, Carnegie Mellon University（卡内基梅隆大学计算机科学学院）
专题命中 病理影像 ：pathology(abstract)；分类 cs.CV
AI总结 ConStruct通过结合CONCH的形态感知表示、SegFormer的多尺度结构线索和文本引导的语义对齐，提出一种高效的弱监督病理分割方法，提升分割精度和计算效率。
DualProtoSeg: Simple and Efficient Design with Text- and Image-Guided Prototype Learning for Weakly Supervised Histopathology Image Segmentation
DualProtoSeg: 基于文本和图像引导的原型学习的简单高效设计用于弱监督病理图像分割
机构 * University of Houston（德克萨斯大学休斯顿分校） ； Ho Chi Minh City University of Technology（胡志明市技术大学） ； University of Information Technology（信息技术大学） ； University of Technology Sydney（悉尼技术大学） ； Vin University（文大学） ； Department of Computer Science, Emory University（埃默里大学计算机科学系） ； College of Medical Science and Technology, Taipei Medical University（台北医学院医学科学与技术学院） ； Montefiore Medical Center, Albert Einstein College of Medicine（蒙特福医院，阿尔伯特·爱因斯坦医学院） ； School of Computer Science, Carnegie Mellon University（卡内基梅隆大学计算机科学学院）
专题命中 病理影像 ：pathology(abstract)；分类 cs.CV
AI总结 DualProtoSeg通过结合文本和图像引导的原型学习，提升弱监督病理图像分割的性能与精度。
