Northeastern University（东北大学）

Opportunistic Bone-Loss Screening from Routine Knee Radiographs Using a Multi-Task Deep Learning Framework with Sensitivity-Constrained Threshold Optimization

基于多任务深度学习框架的常规膝关节X光片机会性骨量丢失筛查

Zhaochen Li, Xinghao Yan, Runni Zhou, Xiaoyang Li, Chenjie Zhu, Gege Wang, Yu Shi, Lixin Zhang, Rongrong Fu, Liehao Yan, Yuan Chai

机构 * ORBIT Lab, College of Medicine and Biological Information Engineering, Northeastern University（ORBIT实验室，医学院和生物信息工程学院，东北大学） ； Department of Radiology, Liaoning Provincial Key Laboratory of Medical Imaging, Liaoning Provincial Key Laboratory of Imaging Technology and Artificial Intelligence, Shengjing Hospital of China Medical University（放射科，辽宁省医学影像重点实验室，辽宁省影像技术与人工智能重点实验室，中国医科大学盛京医院） ； Rehabilitation Center, Liaoning Provincial Key Laboratory of Medical Imaging, Liaoning Provincial Key Laboratory of Imaging Technology and Artificial Intelligence, Shengjing Hospital of China Medical University（康复中心，辽宁省医学影像重点实验室，辽宁省影像技术与人工智能重点实验室，中国医科大学盛京医院） ； The University of Sydney, Sydney Musculoskeletal Health and the Kolling Institute, Northern Clinical School, Faculty of Medicine and Health and the Northern Sydney Local Health District（悉尼大学，悉尼骨科健康与Kolling研究所，北方临床医学院，医学院与健康学院，北悉尼地方卫生区） 纠错

AI总结 本文提出STR-Net框架，利用膝关节X光片进行骨量丢失筛查，通过敏感度约束阈值优化，实现单次通过的骨量丢失检测、严重程度分层和T值估计。

Visual Reasoning through Tool-supervised Reinforcement Learning

通过工具监督强化学习进行视觉推理

Qihua Dong, Gozde Sahin, Pei Wang, Zhaowei Cai, Robik Shrestha, Hao Yang, Davide Modolo

机构 * Northeastern University（东北大学） ； Amazon AGI（亚马逊人工智能研究院） 纠错

AI总结 本文提出工具监督强化学习框架，通过简单可解释的视觉工具提升多模态大语言模型的复杂视觉推理能力，实验表明其高效且具备强大工具使用能力。

Comments Accepted to CVPR 2026 Findings. 17 pages

PR-CAD: Progressive Refinement for Unified Controllable and Faithful Text-to-CAD Generation with Large Language Models

PR-CAD：基于大语言模型的统一可控且忠实的文本到CAD生成的渐进式细化

Jiyuan An, Jiachen Zhao, Fan Chen, Liner Yang, Zhenghao Liu, Hongyan Wang, Weihua An, Meishan Zhang, Erhong Yang

机构 * School of Information Science, Beijing Language and Culture University, China（北京语言大学信息学院） ； School of Computer Science and Technology, Beijing Jiaotong University, China（北京交通大学计算机科学与技术学院） ； School of Computer Science and Engineering, Northeastern University, China（东北大学计算机科学与工程学院） ； Department of Computer Science and Technology, Tsinghua University, China（清华大学计算机科学与技术系） ； School of Computer Science and Technology, Harbin Institute of Technology (Shenzhen), China（哈尔滨工业大学（深圳）计算机科学与技术学院） 纠错

AI总结 PR-CAD通过统一生成与编辑任务，提升文本到CAD生成的可控性和忠实性，采用高保真交互数据集和强化学习框架，实现设计创建与细化的一体化解决方案。

Trajectory2Task: Training Robust Tool-Calling Agents with Synthesized Yet Verifiable Data for Complex User Intents

轨迹到任务：通过合成且可验证的数据训练鲁棒的工具调用代理以应对复杂用户意图

Ziyi Wang, Yuxuan Lu, Yimeng Zhang, Pei Chen, Ziwei Dong, Jing Huang, Jiri Gesi, Xianfeng Tang, Chen Luo, Qun Liu, Yisi Sang, Hanqing Lu, Manling Li, Jin Lai, Dakuo Wang

机构 * Northeastern University（东北大学） ； Amazon（亚马逊） ； Northwestern University（西北大学） 纠错

AI总结 本文提出Trajectory2Task方法，通过合成可验证数据提升工具调用代理在复杂用户意图下的鲁棒性，通过多轮探索生成有效工具调用轨迹，并转换为可验证任务，最终在七种先进LLM上验证了改进效果。

Caught in the Web of Words: Do LLMs Fall for Spin in Medical Literature?

陷入词语的网络：大型语言模型是否在医学文献中受偏见影响？

Hye Sun Yun, Karen Y. C. Zhang, Ramez Kouzy, Iain J. Marshall, Junyi Jessy Li, Byron C. Wallace

机构 * Northeastern University, Boston, MA, USA（东北大学，波士顿，马萨诸塞州，美国） ； The University of Texas MD Anderson Cancer Center, Houston, Texas, USA（德克萨斯大学MD安德森癌症中心，休斯顿，德克萨斯州，美国） ； King’s College London, London, UK（伦敦国王学院，伦敦，英国） ； The University of Texas at Austin, Austin, Texas, USA（德克萨斯大学奥斯汀分校，奥斯汀，德克萨斯州，美国） 纠错

AI总结 研究探讨了大型语言模型（LLM）在处理医学文献时是否受作者偏见影响，发现LLM比人类更容易受偏见影响，但可通过提示减少其影响。

Comments 26 pages, 17 figures, 4 tables, Conference on Health, Inference, and Learning (CHIL) 2025