医学 AI

Test Time Optimized Generalized AI-based Medical Image Registration Method

测试时间优化的通用人工智能医学图像配准方法

Sneha Sree C., Dattesh Shanbhag, Sudhanya Chatterjee

机构 * GE HealthCare（通用电气医疗） 纠错

专题命中 医学影像 ：medical image(title,abstract)；MRI(abstract)；CT(abstract)；分类 cs.CV、eess.IV

AI总结 本文提出了一种通用人工智能医学图像配准方法，能够跨多种成像模态和解剖区域进行高效配准，无需特定定制，提升临床应用的通用性和效率。

TAT: Task-Adaptive Transformer for All-in-One Medical Image Restoration

TAT：适用于所有医学图像恢复的任务自适应Transformer

Zhiwen Yang, Jiaju Zhang, Yang Yi, Jian Liang, Bingzheng Wei, Yan Xu

机构 * School of Biological Science and Medical Engineering（生物科学与医学工程学院） ； State Key Laboratory of Software Development Environment（软件开发环境国家重点实验室） ； Key Laboratory of Biomechanics and Mechanobiology of Ministry of Education（教育部生物力学与机力学重点实验室） ； Beijing Advanced Innovation Center for Biomedical Engineering（北京生物医学工程先进创新中心） ； Beihang University（北京航空航天大学） ； Sinovision Technologies (Beijing) Co., Ltd.（北京视界科技有限公司） ； ByteDance Inc.（字节跳动公司） 纠错

专题命中 医学影像 ：medical image(title,abstract)；MRI(abstract)；CT(abstract)；分类 cs.CV

AI总结 TAT提出了一种任务自适应Transformer框架，通过动态调整权重和损失平衡策略，解决医学图像恢复中任务干扰和不平衡问题，实现多任务高性能恢复。

Comments This paper has been accepted by MICCAI 2025

Dynamic Prompt Generation for Interactive 3D Medical Image Segmentation Training

动态提示生成用于交互式3D医学图像分割训练

Tidiane Camaret Ndir, Alexander Pfefferle, Robin Tibor Schirrmeister

机构 * Medical Physics, Department of Diagnostic and Interventional Radiology, Medical Center—University of Freiburg, Faculty of Medicine, University of Freiburg（医学物理，诊断与介入放射科，弗赖堡大学医学中心，医学院，弗赖堡大学） ； University of Freiburg（弗赖堡大学） ； ELLIS Institute Tübingen（图宾根ELLIS研究所） 纠错

专题命中 医学影像 ：medical image(title,abstract)；biomedical(abstract)；分类 cs.CV

AI总结 本文提出一种动态提示生成方法，结合内容感知自适应裁剪优化图像编码器，提升交互式3D医学图像分割的性能。

Multi-View MRI Approach for Classification of MGMT Methylation in Glioblastoma Patients

多视图MRI方法用于胶母细胞瘤患者MGMT甲基化分类

Rawan Alyahya, Asrar Alruwayqi, Atheer Alqarni, Asma Alkhaldi, Metab Alkubeyyer, Xin Gao, Mona Alshahrani

机构 * National Center for Artificial Intelligence (NCAI), SDAIA, Riyadh, Saudi Arabia（国家人工智能中心（NCAI）、SDAIA、沙特阿拉伯利雅得） ； King Abdullah University of Science and Technology (KAUST), CEMSE Division, Thuwal, Saudi Arabia（国王阿卜杜勒阿齐兹大学科学与技术学院（KAUST）、CEMSE部门、沙特阿拉伯图瓦尔） ； Aramco Research Center, R&D Center Department, Dhahran, Saudi Arabia（阿姆科研究中心、研发中心部门、沙特阿拉伯达黑兰） 纠错

专题命中 医学影像 ：MRI(title,abstract)；medical image(abstract)；分类 cs.CV

AI总结 本研究提出一种多视图MRI方法，利用深度学习检测胶母细胞瘤患者MGMT甲基化状态，避免复杂3D模型，提升诊断效率与透明度。

XAI-Driven Diagnosis of Generalization Failure in State-Space Cerebrovascular Segmentation Models: A Case Study on Domain Shift Between RSNA and TopCoW Datasets

基于XAI的州空间脑血管分割模型泛化失败诊断：在RSNA与TopCoW数据集域偏移案例研究

Youssef Abuzeid, Shimaa El-Bana, Ahmad Al-Kabbany

机构 * Department of Electronics and Electrical Communications Engineering（电子与电气通信工程系） ； Cairo University（开罗大学） ； Multimedia Interaction and Communication Lab（多媒体交互与通信实验室） ； Arab Academy for Science and Technology（阿拉伯科学与技术学院） ； Wearables, Biosensing, and Biosignal Processing Research lab（可穿戴设备、生物传感与生物信号处理研究实验室） 纠错

专题命中 医学影像 ：diagnosis(title)；medical image(abstract)；CT(abstract)；分类 cs.CV

AI总结 本文提出基于XAI的两阶段方法，诊断州空间模型在脑血管分割中的泛化失败原因，揭示模型因关注机制失效而学习虚假相关性。

KLO-Net: A Dynamic K-NN Attention U-Net with CSP Encoder for Efficient Prostate Gland Segmentation from MRI

KLO-Net：一种动态K-NN注意力U-Net与CSP编码器的高效前列腺 gland 分割网络

Anning Tian, Byunghyun Ko, Kaichen Qu, Mengyuan Liu, Jeongkyu Lee

专题命中 医学影像 ：MRI(title,abstract)；分类 cs.CV、cs.LG

AI总结 KLO-Net通过动态K-NN注意力机制和CSP编码器，实现高效且准确的前列腺 gland 分割，提升MRI分割的实时部署性能。

Comments Preprint. Accepted to SPIE Medical Imaging 2026: Image Processing

TomoGraphView: 3D Medical Image Classification with Omnidirectional Slice Representations and Graph Neural Networks

TomoGraphView: 基于全方位切片表示和图神经网络的3D医学图像分类

Johannes Kiechle, Stefan M. Fischer, Daniel M. Lang, Cosmin I. Bercea, Matthew J. Nyflot, Lina Felsner, Julia A. Schnabel, Jan C. Peeken

机构 * School of Computation, Information and Technology, Technical University of Munich（计算信息技术学院，慕尼黑技术大学） ； Department of Radiation Oncology, TUM School of Medicine, TUM University Hospital rechts der Isar, Technical University of Munich（放射肿瘤学系，TUM医学院，TUM大学医院rechts der Isar，慕尼黑技术大学） ； Institute of Machine Learning in Biomedical Imaging, Helmholtz Munich（生物医学影像机器学习研究所，海德堡慕尼黑） ； Institute of Radiation Medicine, Helmholtz Munich（放射医学研究所，海德堡慕尼黑） ； School of Biomedical Engineering and Imaging Sciences, King's College London（生物医学工程与成像科学学院，伦敦国王学院） ； Department of Radiation Oncology, University of Washington（放射肿瘤学系，华盛顿大学） ； Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心（MCML）） 纠错

专题命中 医学影像 ：medical image(title,comments)；分类 cs.LG、q-bio、eess.IV

AI总结 TomoGraphView通过整合全方位体积切片与图神经网络，解决3D医学图像分类中切片方向限制和空间一致性问题。

Comments Preprint submitted to Medical Image Analysis (MedIA)

Text Embedded Swin-UMamba for DeepLesion Segmentation

文本嵌入的Swin-UMamba用于深度病变分割

Ruida Cheng, Tejas Sudharshan Mathai, Pritam Mukherjee, Benjamin Hou, Qingqing Zhu, Zhiyong Lu, Matthew McAuliffe, Ronald M. Summers

专题命中 医学影像 ：CT(abstract)；radiology(abstract)；分类 cs.CV

AI总结 本文提出Text-Swin-U/Mamba模型，通过整合文本信息提升深度病变分割的精度，实验结果显示其在Dice分数和Hausdorff距离上均优于现有方法。

Fast and Explicit: Slice-to-Volume Reconstruction via 3D Gaussian Primitives with Analytic Point Spread Function Modeling

快速且显式：通过3D高斯原语进行切片到体积重建的分析点扩散函数建模

Maik Dannecker, Steven Jia, Nil Stolt-Ansó, Nadine Girard, Guillaume Auzias, François Rousseau, Daniel Rueckert

机构 * TUM University Hospital, Technical University of Munich（慕尼黑技术大学医院，慕尼黑技术大学） ； Institut de Neurosciences de la Timone, Aix-Marseille Université（里莫尼神经科学研究所，艾克斯-马赛大学） ； IMT Atlantique（IMT大西洋） ； Department of Computing, Imperial College London（伦敦帝国理工学院计算机系） 纠错

专题命中 医学影像 ：MRI(abstract)；diagnosis(abstract)；分类 cs.CV

AI总结 本文提出基于高斯显式表示的快速切片到体积重建方法，通过解析点扩散函数建模实现高效准确的3D图像重建。

Comments Under Review for MIDL 2026

Learning neuroimaging models from health system-scale data

从健康系统级数据中学习神经影像模型

Yiwei Lyu, Samir Harake, Asadur Chowdury, Soumyanil Banerjee, Rachel Gologorsky, Shixuan Liu, Anna-Katharina Meissner, Akshay Rao, Chenhui Zhao, Akhil Kondepudi, Cheng Jiang, Xinhai Hou, Rushikesh S. Joshi, Volker Neuschmelting, Ashok Srinivasan, Dawn Kleindorfer, Brian Athey, Vikas Gulani, Aditya Pandey, Honglak Lee, Todd Hollon

机构 * University of Michigan Computer Science and Engineering（密歇根大学计算机科学与工程系） ； University of Michigan Neurosugery（密歇根大学神经外科） ； University of Cologne Neurosugery（科隆大学神经外科） ； University of Michigan Radiology（密歇根大学放射学） ； University of Michigan Neurology（密歇根大学神经病学） ； University of Michigan Computational Medicine and Bioinformatics（密歇根大学计算医学与生物信息学） 纠错

专题命中 医学影像 ：medical AI(abstract)；MRI(abstract)；分类 cs.CV

AI总结 Prima是一款基于健康系统级数据训练的视觉语言模型，用于神经影像学，实现了高准确率的诊断和临床决策支持。

TF-MCL: Time-frequency Fusion and Multi-domain Cross-Loss for Self-supervised Depression Detection

TF-MCL：时间频率融合与多领域交叉损失用于自监督抑郁症检测

Li-Xuan Zhao, Chen-Yang Xu, Wen-Qiang Li, Bo Wang, Rong-Xing Wei, Qing-Hao Menga

专题命中 医学影像 ：CT(abstract)；分类 cs.LG

AI总结 TF-MCL通过时间频率融合和多领域交叉损失提升自监督抑郁症检测的准确性

Glioblastoma Overall Survival Prediction With Vision Transformers

使用视觉变换器预测胶母细胞瘤总体生存率

Yin Lin, Riccardo Barbieri, Domenico Aquino, Giuseppe Lauria, Marina Grisoli, Elena De Momi, Alberto Redaelli, Simona Ferrante

机构 * Department of Electronic, Information and Bioengineering, Politecnico di Milano（电子、信息与生物工程系，米兰理工大学） ； Department of Neuroradiology, Fondazione IRCCS Istituto Neurologico Carlo Besta（放射学系，IRCCS神经科学卡洛·贝斯塔研究所） 纠错

专题命中 医学影像 ：MRI(abstract)；分类 cs.CV

AI总结 本文提出利用视觉变换器直接从MRI图像中提取特征，无需肿瘤分割，实现胶母细胞瘤总体生存率的高效预测。

Comments 4 pages, 4 figures, EMBC2025

Journal ref Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC), 2025, pp. 1-4

Error Bound Analysis of Physics-Informed Neural Networks-Driven T2 Quantification in Cardiac Magnetic Resonance Imaging

物理信息神经网络驱动心脏磁共振成像中T2量化误差界分析

Mengxue Zhang, Qingrui Cai, Yinyin Chen, Hang Jin, Jianjun Zhou, Qiu Guo, Peijun Zhao, Zhiping Mao, Xingxing Zhang, Yuyu Xia, Xianwang Jiang, Qin Xu, Chunyan Xiong, Yirong Zhou, Chengyan Wang, Xiaobo Qu

机构 * School of Electronic Science and Engineering (National Model Microelectronics College), Xiamen University-Neusoft Medical Magnetic Resonance Imaging Joint Research and Development Center, Fujian Provincial Key Laboratory of Plasma and Magnetic Resonance, Xiamen University（电子科学与技术学院（国家级微电子学院）、厦门大学-Neusoft 医疗磁共振成像联合研发中心、福建省等离子体与磁共振重点实验室、厦门大学） 纠错

专题命中 医学影像 ：MRI(abstract)

AI总结 本文提出将布洛赫方程嵌入PINN损失函数，通过理论分析建立T2估计误差界，验证了PINN在心脏MRI中实现高精度T2量化的能力。

Multi-Agent Medical Decision Consensus Matrix System: An Intelligent Collaborative Framework for Oncology MDT Consultations

多智能体医疗决策共识矩阵系统：一种用于肿瘤多学科会诊的智能协作框架

Xudong Han, Xianglun Gao, Xiaoyi Qu, Zhenyu Yu

专题命中 临床大模型 ：medical AI(abstract)

AI总结 多智能体医疗决策共识矩阵系统通过智能体协作提升肿瘤多学科会诊的决策质量和效率。

Comments 14 pages, 6 figures

Unleashing the Power of Image-Tabular Self-Supervised Learning via Breaking Cross-Tabular Barriers

通过打破跨表格障碍释放图像-表格自监督学习的潜力

Yibing Fu, Yunpeng Zhao, Zhitao Zeng, Cheng Chen, Yueming Jin

专题命中 诊断辅助 ：medical image(abstract)；diagnosis(abstract)；分类 cs.CV

AI总结 本文提出CITab框架，通过跨表格学习提升医学图像与表格数据的多模态自监督学习效果。

Fracture Morphology Classification: Local Multiclass Modeling for Multilabel Complexity

骨折形态分类：多标签复杂性中的局部多类建模

Cassandra Krause, Mattias P. Heinrich, Ron Keuth

机构 * Institut für Medizinische Informatik, Universität zu Lübeck（吕贝克大学医学信息学研究所） 纠错

专题命中 诊断辅助 ：diagnosis(abstract)；分类 cs.CV；medical image(comments)

AI总结 本文提出通过自动分配全局AO代码来提取骨折形态，将全局多标签任务转化为局部多类任务，提升了F1分数，并探讨了实际部署中的挑战。

Comments Accepted as poster at the German Conference on Medical Image Computing 2026

Papanicolaou Stain Unmixing for RGB Image Using Weighted Nucleus Sparsity and Total Variation Regularization

使用加权核稀疏性和全变分正则化的RGB图像Papanicolaou染色分离

Nanxin Gong, Saori Takeyama, Masahiro Yamaguchi, Takumi Urata, Fumikazu Kimura, Keiko Ishii

专题命中 诊断辅助 ：diagnosis(abstract)；分类 q-bio、eess.IV

AI总结 本文提出了一种无需训练的RGB图像Papanicolaou染色分离方法，利用加权核稀疏性和全变分正则化，实现了高精度的染色量化和细胞分类。

Comments Accepted and published in Medical & Biological Engineering & Computing (2025). https://doi.org/10.1007/s11517-025-03490-z

Journal ref Med Biol Eng Comput (2025)

Native Intelligence Emerges from Large-Scale Clinical Practice: A Retinal Foundation Model with Deployment Efficiency

原生智能源自大规模临床实践：一种具有部署效率的视网膜基础模型

Jia Guo, Jiawei Du, Shengzhu Yang, Shuai Lu, Wenquan Cheng, Kaiwen Zhang, Yihua Sun, Chuhong Yang, Weihang Zhang, Fang Chen, Yilan Wu, Lie Ju, Guochen Ning, Longfei Ma, Huiping Yao, Jinyuan Wang, Peilun Shi, Yukun Zhou, Jie Xu, Pearse A. Keane, Hanruo Liu, Hongen Liao, Ningli Wang, Huiqi Li

机构 * School of Biomedical Engineering, Tsinghua Medicine, Tsinghua University（生物医学工程学院，清华大学医学部，清华大学） ； School of Information and Electronics, Beijing Institute of Technology（信息与电子学院，北京理工大学） ； Beijing Key Laboratory of Intelligent Diagnosis Technology and Equipment for Optic Nerve-Related Eye Diseases（北京智能诊断技术与设备重点实验室） ； School of Medical Technology, Beijing Institute of Technology（医学技术学院，北京理工大学） ； Beijing Tongren Hospital, Capital Medical University（北京同仁医院，首都医科大学） ； School of Biomedical Engineering, Shanghai Jiaotong University（生物医学工程学院，上海交通大学） ； Beijing Visual Science and Translational Eye Research Institute (BERI), Beijing Tsinghua Changgung Hospital Eye Center, School of Clinical Medicine, Tsinghua Medicine, Tsinghua University Institute of Ophthalmology（北京视觉科学与转化眼研所（BERI），北京清华长庚医院眼科中心，临床医学学院，清华大学医学部，清华大学眼科学院） 纠错

专题命中 诊断辅助 ：medical AI(abstract)；分类 cs.CV

AI总结 ReVision通过直接从真实临床数据中学习，实现了在低资源环境下高效部署的视网膜基础模型，无需额外标注即可在多种医学任务中取得优异性能。

Joint Models with Multiple Markers and Multiple Time-to-event Outcomes Using Variational Approximations

基于变分近似的方法联合建模多个标志物和多个时间到事件结果

Benjamin Christoffersen, Keith Humphreys, Alessandro Gasparini, Birzhan Akynkozhayev, Hedvig Kjellström, Mark Clements

专题命中 诊断辅助 ：diagnosis(abstract)

AI总结 本文提出基于变分近似的联合建模方法，用于处理多个标志物和多个时间到事件结果，实现模型的灵活性和可扩展性。

EXAONE Path 2.5: Pathology Foundation Model with Multi-Omics Alignment

EXAONE Path 2.5：多组学对齐的病理基础模型

Juseung Yun, Sunwoo Yu, Sumin Ha, Jonghyun Kim, Janghyeon Lee, Jongseong Jang, Soonyoung Lee

专题命中 病理影像 ：pathology(title,abstract)；分类 cs.LG、q-bio

AI总结 EXAONE Path 2.5通过多组学对齐构建病理基础模型，实现更全面的肿瘤生物学建模，展现高效率和适应性，推动精准肿瘤学发展。

SIGMMA: Hierarchical Graph-Based Multi-Scale Multi-modal Contrastive Alignment of Histopathology Image and Spatial Transcriptome

SIGMMA：基于层次图的多尺度多模态对比对齐：组织病理图像与空间转录组

Dabin Jeong, Amirhossein Vahidi, Ciro Ramírez-Suástegui, Marie Moullet, Kevin Ly, Mohammad Vali Sanian, Sebastian Birk, Yinshui Chang, Adam Boxall, Daniyal Jafree, Lloyd Steele, Vijaya Baskar MS, Muzlifah Haniffa, Mohammad Lotfollahi

机构 * Wellcome Sanger Institute（沃森桑格研究所） ； Cambridge Centre for AI in Medicine（剑桥人工智能医学中心） ； Institute of AI for Health（人工智能与健康研究所） ； Cambridge Stem Cell Institute（剑桥干细胞研究所） 纠错

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

AI总结 SIGMMA通过多尺度多模态对比对齐，提升组织病理图像与空间转录组的跨模态对应表示，提高基因表达预测和跨模态检索性能。

Renal Cell Carcinoma subtyping: learning from multi-resolution localization

肾细胞癌亚型分类：从多分辨率定位中学习

Mohamad Mohamad, Francesco Ponzio, Santa Di Cataldo, Damien Ambrosetti, Xavier Descombes

机构 * Université Côte d'Azur, INRIA, CNRS（法国蔚蓝海岸大学、法国国家信息与自动化技术研究所、法国国家科学研究中心） ； Department of Pathology, CHU Nice, Université Côte d'Azur（Nice医院病理部门、Nice大学） 纠错

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

AI总结 本研究提出了一种基于多分辨率特征的自监督学习方法，用于肾细胞癌亚型分类，旨在减少对标注数据集的依赖同时保持分类准确性。

Journal ref Computer Methods and Programs in Biomedicine, Volume 274, 1 February 2026, 109155

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

Chenyu Zhao, Yingxue Xu, Fengtao Zhou, Yihui Wang, Hao Chen

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） 纠错

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

Andreas Lolos, Theofilos Christodoulou, Aris L. Moustakas, Stergios Christodoulidis, Maria Vakalopoulou

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） 纠错

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

Lucas Robinet, Ahmad Berjaoui, Elizabeth Cohen-Jonathan Moyal

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） 纠错

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。

Macular: a multi-scale simulation platform for the retina and the primary visual system

Macular：一种多尺度模拟平台用于视网膜和初级视觉系统

Bruno Cessac, Erwan Demairy, Jérôme Emonet, Evgenia Kartsaki, Thibaud Kloczko, Côme Le Breton, Nicolas Niclausse, Selma Souihel, Jean-Luc Szpyrka, Julien Wintz

专题命中 病理影像 ：pathology(abstract)；分类 q-bio

AI总结 Macular是一款用于视网膜和初级视觉系统的多尺度模拟平台，提供图形界面支持，允许用户无需编程即可测试视觉系统假设。

Comments 25 pages, 3 figures

Med3DVLM: An Efficient Vision-Language Model for 3D Medical Image Analysis

Med3DVLM: 一种高效的视觉-语言模型用于3D医学图像分析

Yu Xin, Gorkem Can Ates, Kuang Gong, Wei Shao

机构 * University of Florida（佛罗里达大学） 纠错

专题命中 医疗多模态 ：medical image(title,abstract)；radiology(abstract)；分类 cs.CV、eess.IV

AI总结 Med3DVLM通过三个创新提出，实现了高效的3D医学图像分析，显著提升了图像-文本检索、报告生成和视觉问答的性能。

Multimodal Deep Learning for Stroke Prediction and Detection using Retinal Imaging and Clinical Data

基于视网膜成像和临床数据的多模态深度学习用于中风预测与检测

Saeed Shurrab, Aadim Nepal, Terrence J. Lee-St. John, Nicola G. Ghazi, Bartlomiej Piechowski-Jozwiak, Farah E. Shamout

机构 * Division of Engineering, New York University Abu Dhabi（纽约大学阿布扎赫尔分校工程系） ； Institute for Healthier Living Abu Dhabi（阿布扎赫尔健康生活研究所） ； Eye Institute at Cleveland Clinic Abu Dhabi（阿布扎赫尔克利夫兰医学中心眼科研究所） ； Canberra Hospital（堪培拉医院） 纠错

专题命中 医疗多模态 ：diagnosis(abstract)；分类 cs.CV、eess.IV

AI总结 本研究提出一种多模态深度学习方法，利用视网膜成像和临床数据预测中风风险，实验结果显示在中风检测和风险预测方面优于传统方法。

Why Text Prevails: Vision May Undermine Multimodal Medical Decision Making

为何文本占上风：视觉可能损害多模态医疗决策制定

Siyuan Dai, Lunxiao Li, Kun Zhao, Eardi Lila, Paul K. Crane, Heng Huang, Dongkuan Xu, Haoteng Tang, Liang Zhan

机构 * University of Texas Rio Grande Valley（德克萨斯大学里奥格兰德谷大学） ； University of Pittsburgh（匹兹堡大学） ； NC State University（北卡罗来纳州立大学） ； University of Washington（华盛顿大学） ； University of Maryland（马里兰大学） 纠错

专题命中 医疗多模态 ：biomedical(abstract,comments)；分类 cs.CV

AI总结 本研究发现文本推理在医疗多模态决策中优于多模态输入，提出三种策略以提升多模态医疗决策能力。

Comments Accepted by ICDM 2025 the Workshop on Synergy of AI and Multimodal Biomedical Data Mining

Understanding statistics for biomedical research through the lens of replication

通过复制的视角理解生物医学研究中的统计学

Huw Llewelyn

专题命中 生物医学文本 ：biomedical(title)

AI总结 通过复制视角分析生物医学研究中的统计学问题，指出复制概率受样本量和方差影响，并提出改进方法以提高复制可靠性。

Comments 25 pages, 3 figures, 2 tables. This paper includes a large amount of work that was done subsequently after comments and supersedes a previous paper submitted to arXiv (Reference number: 2403.16906. I have not deleted or replaced the latter in case the moderators prefer both papers to be readable side-by-side