University of California, Los Angeles（加州大学洛杉矶分校）

Standardizing Medical Images at Scale for AI

大规模标准化医学图像以促进AI

Callen MacPhee, Yiming Zhou, Koichiro Kishima, Bahram Jalali

机构 * ECE Department, UCLA（UCLA电子工程系） ； Pinpoint Photonics, Inc.（Pinpoint Photonics公司） ； Adventure Photonics 纠错

AI总结 本文提出基于物理原理的医学图像预处理框架，通过光学物理推导确定性变换，减少图像异质性，提升跨机构模型泛化能力，实验显示其在乳腺癌分类中效果优于数据增强和领域泛化方法。

Overview of the CXR-LT 2026 Challenge: Multi-Center Long-Tailed and Zero Shot Chest X-ray Classification

CXR-LT 2026挑战概述：多中心长尾和零样本胸片分类

Hexin Dong, Yi Lin, Pengyu Zhou, Xuan Zhong Feng, Alan Clint Legasto, Mingquan Lin, Hao Chen, Yuzhe Yang, George Shih, Yifan Peng

机构 * Weill Cornell Medicine（韦尔·科恩医学中心） ； Peking Union Medical College（北京协和医学院） ； University of Minnesota（明尼苏达大学） ； Hong Kong University of Science and Technology（香港科学与技术大学） ； University of California, Los Angeles（加州大学洛杉矶分校） 纠错

AI总结 该研究提出CXR-LT 2026挑战，通过多中心数据集和两个核心任务，解决胸片分类中的长尾分布和零样本泛化问题，验证大规模视觉-语言预训练对零样本诊断的提升作用。

Out-of-Distribution Graph Models Merging

分布外图模型融合

Yidi Wang, Ziyue Qiao, Jiawei Gu, Xubin Zheng, Pengyang Wang, Xiaobing Pei, Xiao Luo

机构 * School of Computing and Information Technology, Great Bay University（大湾大学计算与信息学院） ； School of Software Engineering, Huazhong University of Science and Technology（华中科技大学软件工程学院） ； Department of Computer Science, University of California, Los Angeles（加州大学洛杉矶分校计算机科学系） ； Department of Computer and Information Science, University of Macau（澳门大学计算机与信息科学系） 纠错

AI总结 本文提出一种图生成策略，通过MoE模块和掩码机制融合多个领域预训练图模型，实现跨领域适应，无需源目标域数据。