医学 AI

Small LLMs for Biomedical Claim Verification: Cost-Effective Fine-Tuning, Structural Dataset Shortcuts, and Cross-Domain Generalization

小型LLM用于生物医学声明验证：成本效益微调、结构性数据集捷径与跨域泛化

Gaurav Kumar

机构 * Moveworks AI ； University of California San Diego（加州大学圣迭戈分校） 纠错

专题命中 医学数据与评测 ：biomedical(title,abstract)；分类 q-bio

AI总结 通过QLoRA微调小型LLM（Phi-3-mini、Qwen2.5-3B、Mistral-7B），在生物医学声明验证中超越GPT-4o和GPT-5（F1提升12%），并发现SciFact数据集的结构性伪影，提出基于结构稳健数据的跨域迁移方法。

Comments 8 pages, 2 figures, 12 tables. To appear at BioNLP Workshop, ACL 2026

NeuroVLM-Bench: Evaluation of Vision-Enabled Large Language Models for Clinical Reasoning in Neurological Disorders

NeuroVLM-Bench：评估用于神经系统疾病临床推理的视觉增强大语言模型

Katarina Trojachanec Dineva, Stefan Andonov, Ilinka Ivanoska, Ivan Kitanovski, Sasho Gramatikov, Tamara Kostova, Monika Simjanoska Misheva, Kostadin Mishev

专题命中 医学数据与评测 ：MRI(abstract)；CT(abstract)；diagnosis(abstract)；分类 cs.CV、cs.LG

AI总结 本文评估了视觉增强大语言模型在神经疾病临床推理中的性能，通过多模态模型在MRI和CT数据集上进行基准测试，发现影像属性基本解决，但诊断推理仍具挑战性。

Comments 53 pages, 12 figures. Manuscript submitted to the BMC Medical Informatics and Decision Making journal

Privacy-Aware Continual Self-Supervised Learning on Multi-Window Chest Computed Tomography for Domain-Shift Robustness

Ren Tasai, Guang Li, Ren Togo, Takahiro Ogawa, Kenji Hirata, Minghui Tang, Takaaki Yoshimura, Hiroyuki Sugimori, Noriko Nishioka, Yukie Shimizu, Kohsuke Kudo, Miki Haseyama

机构 * Hokkaido University（北海道大学） 纠错

专题命中 医学数据与评测 ：medical image(abstract)；CT(abstract)；diagnosis(abstract)；分类 cs.CV、cs.LG

ReXVQA: A Large-scale Visual Question Answering Benchmark for Generalist Chest X-ray Understanding

Ankit Pal, Jung-Oh Lee, Xiaoman Zhang, Malaikannan Sankarasubbu, Seunghyeon Roh, Won Jung Kim, Meesun Lee, Pranav Rajpurkar

机构 * Saama AI Research（Saama AI研究机构） ； Seoul National University（首尔国立大学） ； Harvard Medical School（哈佛医学院） 纠错

专题命中 医学数据与评测 ：pathology(abstract)；diagnosis(abstract)；radiology(abstract)；分类 cs.CV、cs.LG

MMIST-ccRCC: A Real World Medical Dataset for the Development of Multi-Modal Systems

Tiago Mota, M. Rita Verdelho, Alceu Bissoto, Carlos Santiago, Catarina Barata

专题命中 医学数据与评测 ：MRI(abstract)；CT(abstract)；radiology(abstract)；分类 cs.CV、eess.IV

Comments Accepted in DCA in MI Workshop@CVPR2024

Exploring adversarial attacks in federated learning for medical imaging

Erfan Darzi, Florian Dubost, N. M. Sijtsema, P. M. A van Ooijen

专题命中 医学数据与评测 ：medical image(abstract)；MRI(abstract)；pathology(abstract)；分类 cs.LG、eess.IV

The Second DiCOVA Challenge: Dataset and performance analysis for COVID-19 diagnosis using acoustics

Neeraj Kumar Sharma, Srikanth Raj Chetupalli, Debarpan Bhattacharya, Debottam Dutta, Pravin Mote, Sriram Ganapathy

专题命中 医学数据与评测 ：diagnosis(title,abstract)；分类 q-bio

MedFailBench: A Clinician-Built Open-Source Benchmark for Medical AI Safety Boundary Inspection

MedFailBench：用于医学人工智能安全边界检查的临床医生构建的开源基准测试

Goktug Ozkan

机构 * Kutahya Emet Dr. Fazil Dogan State Hospital（屈塔希亚埃梅特法齐尔·多安州立医院） 纠错

专题命中 医学数据与评测 ：medical AI(title,abstract)

AI总结 MedFailBench提出不同问题，构建合成基准测试和失败图谱，通过严重程度和安全门类型标记医学人工智能错误，当前版本含44个合成病例等内容，以特定许可形式发布并带有DOI。

Comments 6 pages; synthetic benchmark reviewed by a clinician; no patient data

Can LLMs Really Recover Microservice Failures? A Recovery-Aware Evaluation of Diagnosis-to-Action Reasoning

大语言模型真的能恢复微服务故障吗？对诊断到行动推理的恢复感知评估

Jiaxing Qi, Zhongzhi Luan, Hongyu Zhang, Shaohan Huang, Carol Fung, Yongxin Tong, Hailong Yang, Depei Qian

专题命中 医学数据与评测 ：diagnosis(title,abstract)

AI总结 研究大语言模型在云原生微服务系统中恢复故障的能力，提出R2Act框架，定义相关内容并实例化为基准数据集，评估多种方法，发现恢复失败多因难以将诊断证据转化为有效恢复行动。

A Multi-Dataset Benchmark for Evaluating LLM Agents in Microservice Failure Diagnosis

用于评估微服务故障诊断中LLM智能体的多数据集基准

Yuanhong Cai, Xiaohui Nie, Kanglin Yin, Changhua Pei, Yongqian Sun, Shenglin Zhang, Haibin Liu, Guiyang Liu, Xidao Wen, Fang Situ, Dan Pei

专题命中 医学数据与评测 ：diagnosis(title,abstract)

AI总结 提出基于推理过程评估的基准，包含两个大规模数据集（AIOps2025和RCA100），从定位、识别和原因三个维度评估智能体诊断能力，覆盖500多个专家标注的故障案例。

Comments 10 pages, 6 figures, 6 tables

SAGE: Scalable Agentic Grounded Evaluation for Crop Disease Diagnosis

SAGE: 可扩展的代理基于地面评估用于作物疾病诊断

Muhammad Arbab Arshad, Tirtho Roy, Yanben Shen, Dinakaran Elango, Shivani Chiranjeevi, Asheesh K. Singh, Baskar Ganapathysubramanian, Chinmay Hegde, Arti Singh, Soumik Sarkar

专题命中 医学数据与评测 ：diagnosis(title,abstract)

AI总结 本文提出SAGE框架，通过构建大规模作物疾病图像-症状数据集，结合自动管道生成基于源的症状描述，并引入自主视觉推理代理提升疾病诊断准确性。

Journal ref CVPR 2026 Workshop on Emerging Directions in Data for Multimodal Foundation Models

Beyond Scalar Scores: Exploring LLM-based Metrics for Clinical Significance Evaluation in Radiology Reports

超越标量分数：探索基于LLM的放射学报告临床意义评估指标

Qingyu Lu, Ruochen Li, Liang Ding, Yufei Xia, Youxiang Zhu, Dacheng Tao

机构 * Nanyang Technological University（南洋理工大学） ； Technical University of Munich（慕尼黑工业大学） ； Alibaba（阿里巴巴） ； University of Glasgow（格拉斯哥大学） ； University of Massachusetts Boston（马萨诸塞大学波士顿分校） 纠错

专题命中 医学数据与评测 ：radiology(title,abstract)

AI总结 针对放射学报告评估中临床准确性要求，研究基于LLM的指标区分临床错误与无害变体的能力，发现判别偏差，并通过合成数据训练轻量级指标，在成本敏感部署中优于大型模型。

Comments Under Review

BioDivergence: A Benchmark and Evaluation Framework for Hidden Contextual Contradictions in Biomedical Abstracts

BioDivergence：生物医学摘要中隐藏上下文矛盾的基准与评估框架

Elias Hossain, Sanjeda Sara Jennifer, Sabera Akter Bushra, Niloofar Yousefi

机构 * College of Engineering and Computer Science, University of Central Florida（中佛罗里达大学工程与计算机科学学院） ； Burnett School of Biomedical Sciences, University of Central Florida（中佛罗里达大学伯内特生物医学科学学院） 纠错

专题命中 医学数据与评测 ：biomedical(title,abstract)

AI总结 提出BioDivergence框架，通过六类冲突分类、13轴分歧本体和结构化输出，解决现有NLI基准无法捕捉生物医学研究中上下文依赖的差异问题，并发布包含11865个声明对的基准数据集。

RadOT-Eval: Auditable Structured-Evidence Transport for Radiology Report Evaluation

RadOT-Eval：用于放射学报告评估的可审计结构化证据传输

Weixin Liu, Juming Xiong, Yang Li, Qingyuan Song, Susannah Rose, Murat Kantarcioglu, Bradley Malin, Zhijun Yin

机构 * University of California, Berkeley（加州大学伯克利分校） 纠错

专题命中 医学数据与评测 ：radiology(title,abstract)

AI总结 提出RadOT-Eval框架，通过最优传输对齐结构化临床证据，在独立测试集上实现与错误负担的高斯皮尔曼相关，优于标准指标和基于LLM的评估器。

Comments 10 pages, 1 figure, 13 tables

Stress-testing medical large language models reveals latent safety pathology beyond benchmark accuracy

压力测试医学大语言模型揭示基准准确性之外的潜在安全病理

Yuan Shen, Xiaojun Wu, Linghua Yu

机构 * College of Computer Science and Technology, Zhejiang University, PR China（浙江大学计算机科学与技术学院，中国） 纠错

专题命中 医学数据与评测 ：pathology(title)；clinical LLM(abstract)

AI总结 提出AI-MASLD压力审计框架，通过240个临床病例和六种叙事扰动探针对七种模型进行双重压力测试，发现量化模型存在伪正常化，医学监督微调损害逻辑稳定性和公平性，开源模型在安全维度上达到或超越闭源模型。

Comments 34 pages, 5 figures

Beyond English benchmarks: clinical llm evaluation in Brazilian Portuguese

超越英语基准：巴西葡萄牙语临床大语言模型评估

Giordano de Pinho Souza, Glaucia Melo, Josefino Cabral Melo Lima, Daniel Schneider

机构 * Federal University of Rio de Janeiro（里约热内卢联邦大学） ； Toronto Metropolitan University（多伦多都会大学） 纠错

专题命中 医学数据与评测 ：clinical LLM(title)；diagnosis(abstract)

AI总结 提出首个双语临床基准ClinicalBr，基于巴西病例报告构建，评估四个模型发现葡萄牙语-英语性能差距具有任务依赖性，诊断检索英语优势明显，其他任务差距消失。

Toward Realistic Wi-Fi Fault Diagnosis: A Multi-Modal Benchmark

迈向现实的Wi-Fi故障诊断：一个多模态基准

Junjian Zhang, Haobo Deng, Xinxin Li, Ming Zhao, Fengxiao Tang, Nei Kato

专题命中 医学数据与评测 ：diagnosis(title,abstract)

AI总结 本文提出一个多模态基准，用于评估Wi-Fi故障诊断方法，通过构建现实中的Wi-Fi测试床和收集超过10,000个故障样本的数据集，揭示了现有方法在利用异构操作数据方面的挑战，并评估了新兴的LLM方法。

Holistic Evaluation and Failure Diagnosis of AI Agents

人工智能代理的总体评估与故障诊断

Netta Madvil, Gilad Dym, Alon Mecilati, Edo Dekel, Jonatan Liberman, Rotem Brazilay, Liron Schliesser, Max Svidlo, Shai Nir, Orel Shalom, Yaron Friedman, David Connack, Amos Rimon, Philip Tannor, Shir Chorev

机构 * Deepchecks 纠错

专题命中 医学数据与评测 ：diagnosis(title,abstract)

AI总结 本文提出一种综合评估框架，结合顶层代理诊断与底层跨度评估，通过分解分析实现独立跨度评估，提升长结构轨迹中的故障定位与分类准确性。

ATBench: A Diverse and Realistic Agent Trajectory Benchmark for Safety Evaluation and Diagnosis

ATBench：一个多样且现实的代理轨迹基准，用于安全评估与诊断

Yu Li, Haoyu Luo, Yuejin Xie, Yuqian Fu, Zhonghao Yang, Shuai Shao, Qihan Ren, Wanying Qu, Yanwei Fu, Yujiu Yang, Jing Shao, Xia Hu, Dongrui Liu

机构 * Shanghai AI Lab（上海人工智能实验室） ； Fudan University（复旦大学） ； Shanghai Jiao Tong University（上海交通大学） ； Tsinghua University（清华大学） ； KAUST（卡塔尔人工智能科学中心） ； East China Normal University（华东师范大学） 纠错

专题命中 医学数据与评测 ：diagnosis(title,abstract)

AI总结 ATBench通过多样化的轨迹和现实场景评估代理安全，包含1000条轨迹，挑战性强，支持跨基准比较和长周期故障诊断。

MedHopQA: A Disease-Centered Multi-Hop Reasoning Benchmark and Evaluation Framework for LLM-Based Biomedical Question Answering

MedHopQA: 一种以疾病为中心的多跳推理基准和评估框架，用于基于大语言模型的生物医学问答

Rezarta Islamaj, Robert Leaman, Joey Chan, Nicholas Wan, Qiao Jin, Natalie Xie, John Wilbur, Shubo Tian, Lana Yeganova, Po-Ting Lai, Chih-Hsuan Wei, Yifan Yang, Yao Ge, Qingqing Zhu, Zhizheng Wang, Zhiyong Lu

机构 * National Library of Medicine, Division of Intramural Research（国家医学图书馆，院内研究部） ； University of Illinois at Urbana-Champaign, Department of Computer Science（伊利诺伊大学厄巴纳-香槟分校计算机科学系） ； University of Michigan Medical School（密歇根大学医学院） 纠错

专题命中 医学数据与评测 ：biomedical(title,abstract)

AI总结 MedHopQA旨在通过多跳推理评估大语言模型在生物医学领域的表现，提供了一个以疾病为中心的基准和框架，强调组合推理、抗饱和性和抗污染性。

BioTool: A Comprehensive Tool-Calling Dataset for Enhancing Biomedical Capabilities of Large Language Models

BioTool: 一个全面的工具调用数据集，用于增强大语言模型的生物医学能力

Xin Gao, Ruiyi Zhang, Meixi Du, Peijia Qin, Pengtao Xie

机构 * UC San Diego（圣迭戈大学） ； MBZUAI（马克斯·普朗克智能系统研究所） 纠错

专题命中 医学数据与评测 ：biomedical(title,abstract)

AI总结 BioTool通过整合生物医学领域常用工具及高质量查询-API调对，提升大语言模型在生物医学任务中的工具调用能力，实验表明其在生物医学领域表现优于现有商业模型。

Comments Published at ACL 2026; Code and data available at https://github.com/gxx27/BioTool

Benchmarks for Trajectory Safety Evaluation and Diagnosis in OpenClaw and Codex: ATBench-Claw and ATBench-Codex

轨迹安全评估与诊断的基准测试：OpenClaw和Codex中的ATBench-Claw和ATBench-Codex

Zhonghao Yang, Yu Li, Yanxu Zhu, Tianyi Zhou, Yuejin Xie, Haoyu Luo, Jing Shao, Xia Hu, Dongrui Liu

机构 * Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） 纠错

专题命中 医学数据与评测 ：diagnosis(title,abstract)

AI总结 本文提出ATBench-Claw和ATBench-Codex，用于评估和诊断OpenClaw和Codex环境中的轨迹安全，通过定制安全分类法实现基准测试的可扩展性。

Comments 18 pages, 3 figures

Case-Specific Rubrics for Clinical AI Evaluation: Methodology, Validation, and LLM-Clinician Agreement Across 823 Encounters

针对具体病例的评估量表：方法、验证及LLM与医生一致性的823次病例研究

Aaryan Shah, Andrew Hines, Alexia Downs, Denis Bajet, Paulius Mui, Fabiano Araujo, Laura Offutt, Aida Rutledge, Elizabeth Jimenez

机构 * Canvas Medical ； Department of Biomedical Data Science, Stanford University（斯坦福大学生物医学数据科学系） ； XPC (X Primary Care)（XPC（X初级保健）） ； FCA Consulting（FCA咨询） ； Department of Pediatrics, University of Nevada, Reno, NV, USA（内华达大学拉斯维加斯分校儿科系） 纠错

专题命中 医学数据与评测 ：clinical AI(title,abstract)

AI总结 本文提出针对具体病例的评估量表方法，验证了LLM生成的量表在医生一致性上的有效性，展示了在823次病例中医生与LLM的一致性提升。

Comments 14 pages, 2 figures, 3 tables, submitted to JAMIA

Quantum-Enhanced Processing with Tensor-Network Frontends for Privacy-Aware Federated Medical Diagnosis

基于张量网络前端的量子增强处理用于隐私保护的联邦医疗诊断

Hiroshi Yamauchi, Anders Peter Kragh Dalskov, Hideaki Kawaguchi, Rodney Van Meter

专题命中 医学数据与评测 ：diagnosis(title)；medical image(abstract)

AI总结 本文提出结合张量网络表示学习、安全多方计算聚合和后聚合量子细化的隐私保护联邦医疗图像分类框架，通过张量网络前端压缩本地输入并利用量子增强处理器进行特征优化，实验表明TTN+QEP组合在性能与效率上表现最佳。

Comments Submitted to the IEEE International Conference on Quantum Computing and Engineering 2026

VERT: Reliable LLM Judges for Radiology Report Evaluation

VERT：用于放射学报告评估的可靠LLM评判者

Federica Bologna, Jean-Philippe Corbeil, Matthew Wilkens, Asma Ben Abacha

机构 * Cornell University（康奈尔大学） ； Microsoft Healthcare & Life Sciences（微软医疗健康与生命科学） 纠错

专题命中 医学数据与评测 ：radiology(title,abstract)

AI总结 本文提出VERT作为LLM评判者，通过对比现有指标和实验验证，展示了其在多模态和解剖结构上的鲁棒性及轻量级微调的有效性。

AlphaDent: A dataset for automated tooth pathology detection

AlphaDent：用于自动牙科病理检测的数据集

Evgeniy I. Sosnin, Yuriy L. Vasilev, Roman A. Solovyev, Aleksandr L. Stempkovskiy, Dmitry V. Telpukhov, Artem A. Vasilev, Aleksandr A. Amerikanov, Aleksandr Y. Romanov

机构 * Sechenov University（谢切诺夫大学） ； AlphaChip LLC（AlphaChip有限责任公司） ； HSE University（高等经济学院） 纠错

专题命中 医学数据与评测 ：pathology(title)；分类 cs.CV、cs.LG、eess.IV

AI总结 本文提出AlphaDent数据集，包含295名患者牙齿的DSLR相机照片，共1200多张图像，用于实例分割任务，分为9类，提供详细标注和实验细节，展示高预测质量。

Acoustic-to-articulatory Inversion of the Complete Vocal Tract from RT-MRI with Various Audio Embeddings and Dataset Sizes

从RT-MRI实现完整的声学到发音器官逆向建模：使用不同音频嵌入和数据集大小

Sofiane Azzouz, Pierre-André Vuissoz, Yves Laprie

专题命中 医学数据与评测 ：MRI(title,abstract)

AI总结 本文提出利用RT-MRI数据实现完整声带到嘴唇的发音器官逆向建模，通过对比不同音频嵌入和数据集大小对逆向结果的影响，验证了基于MRI提取的发音器官轮廓的有效性。

CareMedEval dataset: Evaluating Critical Appraisal and Reasoning in the Biomedical Field

CareMedEval 数据集：评估生物医学领域中的批判性评估与推理

Doria Bonzi, Alexandre Guiggi, Frédéric Béchet, Carlos Ramisch, Benoit Favre

专题命中 医学数据与评测 ：biomedical(title,abstract)

AI总结 CareMedEval数据集用于评估生物医学领域中LLM的批判性评估与推理能力，揭示了现有模型在专业领域中的局限性。

Comments Accepted at LREC 2026. To access the dataset, see https://github.com/bonzid/CareMedEval

Zero-Knowledge Federated Learning with Lattice-Based Hybrid Encryption for Quantum-Resilient Medical AI

基于格的混合加密的零知识联邦学习用于量子安全的医疗AI

Edouard Lansiaux

机构 * Department of Emergency Medicine & STaR-AI Research Group（急诊医学系及STaR-AI研究组） 纠错

专题命中 医学数据与评测 ：medical AI(title,abstract)

AI总结 ZKFL-PQ通过抗量子加密和零知识证明，实现医疗AI模型在量子安全下的隐私保护与鲁棒性。

A Unified Multimodal Framework for Dataset Construction and Model-Based Diagnosis of Ameloblastoma

一种统一的多模态框架用于数据集构建和基于模型的ameloblastoma诊断

Ajo Babu George, Anna Mariam John, Athul Anoop, Balu Bhasuran

机构 * DiceMed ； School of Sciences (SOS), Indira Gandhi National Open University（印度甘地国家开放大学科学学院） ； School of Information, Florida State University（佛罗里达州立大学信息学院） 纠错

专题命中 医学数据与评测 ：diagnosis(title)；pathology(abstract)

AI总结 本文提出了一种统一的多模态框架，用于构建ameloblastoma数据集并开发基于模型的诊断方法，通过多模态深度学习模型提高分类和手术规划的准确性。