医学 AI

Unsupervised Anomaly Detection in Brain MRI via Disentangled Anatomy Learning

通过解耦解剖学习在脑部MRI中进行无监督异常检测

Tao Yang, Xiuying Wang, Hao Liu, Guanzhong Gong, Lian-Ming Wu, Yu-Ping Wang, Lisheng Wang

机构 * School of Automation and Intelligent Sensing, Shanghai Jiao Tong University, Shanghai, China.（自动化与智能感知学院，上海交通大学，中国） ； School of Computer Science, The University of Sydney, Sydney, Australia.（计算机科学学院，悉尼大学，澳大利亚） ； Department of Radiology, Renji Hospital, School of Medicine, Shanghai Jiao Tong University, Shanghai, China.（放射科，仁济医院，医学院，上海交通大学，中国） ； Biomedical Engineering Department, Tulane University, New Orleans, USA.（生物医学工程系， Tulane 大学，美国新奥尔良） 纠错

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

AI总结 本文提出了解耦解剖学习框架，通过解耦MRI成像信息与解剖结构，提升多模态MRI的异常检测性能，实验表明在九个数据集上优于17种现有方法。

Comments Accepted by Medical Image Analysis (2025)

Journal ref Medical Image Analysis (2025)

Contrastive Graph Modeling for Cross-Domain Few-Shot Medical Image Segmentation

对比图模型用于跨域少样本医学图像分割

Yuntian Bo, Tao Zhou, Zechao Li, Haofeng Zhang, Ling Shao

机构 * School of Computer Science and Engineering, Nanjing University of Science and Technology（计算机科学与工程学院，南京理工大学） ； University of Chinese Academy of Sciences（中国科学院大学） 纠错

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

AI总结 本文提出对比图模型，通过结构一致性先验和子图匹配解码机制，在跨域少样本医学图像分割中实现高精度与强源域准确性。

Comments Accepted to IEEE Transactions on Medical Imaging (T-MI), 2026

A-QCF-Net: An Adaptive Quaternion Cross-Fusion Network for Multimodal Liver Tumor Segmentation from Unpaired Datasets

A-QCF-Net：一种自适应四元数交叉融合网络用于从无配对数据集进行多模态肝肿瘤分割

Arunkumar V, Firos V M, Senthilkumar S, Gangadharan G R

机构 * University College of Engineering, Bharathidasan Institute of Technology Campus, Anna University（安娜大学工程学院，巴拉特拉桑理工学院校区，安娜大学） ； National Institute of Technology（国家理工学院） 纠错

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

AI总结 A-QCF-Net通过自适应四元数交叉融合网络，实现从无配对CT和MRI数据集中的肝肿瘤分割，提升分割精度并验证模型的临床实用性。

Non-Contrast CT Esophageal Varices Grading through Clinical Prior-Enhanced Multi-Organ Analysis

通过临床先验增强的多器官分析进行非对比CT食管静脉曲张分级

Xiaoming Zhang, Chunli Li, Jiacheng Hao, Yuan Gao, Danyang Tu, Jianyi Qiao, Xiaoli Yin, Le Lu, Ling Zhang, Ke Yan, Yang Hou, Yu Shi

机构 * Department of Radiology, Shengjing Hospital of China Medical University, 110004, Shenyang, China（中国医科大学附属盛京医院放射科） ； DAMO Academy, Alibaba Group（阿里巴巴集团 DAMO 院） ； School of Biomedical Engineering, Tsinghua University, 100084, Beijing, China（清华大学生物医学工程学院） ； Faculty of Science and Engineering, Sorbonne University, 75005, Paris, France（索邦大学科学与工程学院） ； Hupan Lab, 310023, Hangzhou, China（华平实验室） 纠错

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

AI总结 MOON++通过结合临床先验知识的多器官分析，实现了非对比CT食管静脉曲张的高效分级。

Comments Medical Image Analysis

BertsWin: Resolving Topological Sparsity in 3D Masked Autoencoders via Component-Balanced Structural Optimization

BertsWin: 通过组件平衡的结构优化解决3D掩码自编码器中的拓扑稀疏性

Evgeny Alves Limarenko, Anastasiia Studenikina

机构 * Moscow Institute of Physics and Technology（莫斯科物理技术学院） 纠错

专题命中 医学影像 ：CT(abstract)；分类 cs.CV、cs.LG、eess.IV

AI总结 BertsWin通过组件平衡的结构优化提升3D掩码自编码器的拓扑稀疏性处理，实现比标准ViT-MAE快5.8倍的语义收敛，并减少15倍的训练轮数。

Comments Code available at https://github.com/AlevLab-dev/BertsWinMAE and https://github.com/AlevLab-dev/GCond. Zenodo repository (DOI: 10.5281/zenodo.17916932) contains source images, training logs, trained models, and code

Co-Teaching for Unsupervised Domain Adaptation and Expansion

协同教学用于无监督域适应与扩展

Hailan Lin, Qijie Wei, Kaibin Tian, Ruixiang Zhao, Xirong Li

机构 * Renmin University of China（中国人民大学） 纠错

专题命中 医学影像 ：CT(abstract)；分类 cs.CV

AI总结 本文提出协同教学方法，通过知识蒸馏和mixup技术解决跨域视觉模糊性问题，提升无监督域扩展的性能。

Comments Accepted as a long paper at MMM 2026

Prior-AttUNet: Retinal OCT Fluid Segmentation Based on Normal Anatomical Priors and Attention Gating

Prior-AttUNet：基于正常解剖先验和注意力门控的视网膜OCT液体分割

Li Yang, Yuting Liu

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

AI总结 Prior-AttUNet通过结合生成解剖先验和注意力机制，实现了高精度的视网膜OCT液体分割，适用于多种设备并保持高效计算。

GCVAMD: A Modified CausalVAE Model for Causal Age-related Macular Degeneration Risk Factor Detection and Prediction

GCVAMD：一种用于因果性年龄相关黄斑变性的风险因素检测与预测的改进型因果VAE模型

Daeyoung Kim

专题命中 临床大模型 ：diagnosis(abstract)；分类 cs.CV、eess.IV

AI总结 本文提出GCVAMD模型，通过改进的因果VAE方法，从原始OCT图像中提取潜在因果因素，用于AMD风险因素的因果推断与预测。

A Communication-Efficient Distributed Algorithm for Learning with Heterogeneous and Structurally Incomplete Multi-Site Data

一种用于异构且结构不完整的多站点数据学习的通信高效分布式算法

Xiaokang Liu, Yuchen Yang, Yifei Sun, Jiang Bian, Yanyuan Ma, Raymond J. Carroll, Yong Chen

专题命中 临床大模型 ：biomedical(abstract)

AI总结 本文提出了一种通信高效且能处理异质数据的分布式算法，用于整合异构且结构不完整的多站点数据。

GPF-Net: Gated Progressive Fusion Learning for Polyp Re-Identification

GPF-Net：门控渐进融合学习用于息肉重识别

Suncheng Xiang, Xiaoyang Wang, Junjie Jiang, Hejia Wang, Dahong Qian

机构 * Shanghai Jiao Tong University（上海交通大学） ； Peking University（北京大学） ； Shanghai Fifth People's Hospital（上海第五人民医院） 纠错

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

AI总结 GPF-Net通过门控渐进融合学习提升息肉重识别性能，结合多模态融合策略优于现有单模态模型。

Comments Work in progress

Characterizing Fungal Infections in the All of Us Research Program

在'所有之人'研究计划中表征真菌感染

Md Fantacher Islam, Emeral Norzagaray, Corneliu Antonescu, Vignesh Subbian

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

AI总结 本研究利用'所有之人'研究计划数据，分析了真菌感染的流行病学特征和数据质量，发现部分生物标志物存在数据完整性不足的问题。

Systematic Reconstruction of Disease Networks from Longitudinal Blood Data for Causal Discovery and Intervention Analysis

从纵向血液数据系统性重建疾病网络用于因果发现和干预分析

David Patrick Duys Montealegre, Alexander Fulton, Mahta Haghighat Ghahfarokhi, Abicumaran Uthamacumaran, Hector Zenil

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

AI总结 本研究提出了一种系统性方法，通过纵向血液数据重建疾病网络，用于因果发现和干预分析，提升临床决策支持的透明性和可解释性。

Comments 15 pages

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

Varun Belagali, Saarthak Kapse, Pierre Marza, Srijan Das, Zilinghan Li, Sofiène Boutaj, Pushpak Pati, Srikar Yellapragada, Tarak Nath Nandi, Ravi K Madduri, Joel Saltz, Prateek Prasanna, Stergios Christodoulidis, Maria Vakalopoulou, Dimitris Samaras

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） 纠错

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

Piotr Keller, Muhammad Dawood, Brinder Singh Chohan, Fayyaz ul Amir Afsar Minhas

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

MMCTOP: A Multimodal Textualization and Mixture-of-Experts Framework for Clinical Trial Outcome Prediction

MMCTOP: 一种用于临床试验结果预测的多模态文本化与专家混合框架

Carolina Aparício, Qi Shi, Bo Wen, Tesfaye Yadete, Qiwei Han

机构 * Nova School of Business and Economics（诺瓦商学院） ； Hogarthian Technologies（霍加斯技术） ； School of Medicine（医学院） ； Oregon Health & Science University（俄勒冈健康与科学大学） ； Cleveland Clinic（克利夫兰诊所） ； IBM Research（IBM研究院） 纠错

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

AI总结 MMCTOP通过多模态文本化与专家混合框架，提升临床试验结果预测的精度与稳定性。

Comments 15 pages, 3 figures, 5 tables

Fixed-Budget Parameter-Efficient Training with Frozen Encoders Improves Multimodal Chest X-Ray Classification

固定预算参数高效训练结合冻结编码器提升多模态胸片分类

Md Ashik Khan, Md Nahid Siddique

机构 * Department of Computer Science and Engineering, Indian Institute of Technology Kharagpur, India（计算机科学与工程系，印度理工学院Kharagpur分校） ； Knight Foundation School of Computing and Information Sciences, Florida International University, Florida, USA（骑士基金会计算与信息科学学院，佛罗里达国际大学） 纠错

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

AI总结 本研究通过冻结编码器的参数高效训练策略，在降低计算成本的同时提升了多模态胸片分类的性能。

Comments Accepted at the 2025 28th International Conference on Computer and Information Technology (ICCIT). 6 pages, 6 figures

CellMamba: Adaptive Mamba for Accurate and Efficient Cell Detection

CellMamba: 适应性Mamba用于准确且高效的细胞检测

Ruochen Liu, Yi Tian, Jiahao Wang, Hongbin Liu, Xianxu Hou, Jingxin Liu

机构 * Faculty of Science and Engineering University of Liverpool（科学与工程学院，利物浦大学） ； Yong Loo Lin School of Medicine National University of Singapore（国立新加坡大学 Yong Loo Lin 医学院） ； School of AI and Advanced Computing Xi’an Jiaotong-Liverpool University（西安交通大学利物浦大学人工智能与先进计算学院） 纠错

专题命中 生物医学文本 ：biomedical(abstract)；分类 cs.CV

AI总结 CellMamba通过轻量且准确的一阶段检测器，结合新颖的TMAC模块和自适应Mamba头，实现高分辨率细胞检测的高效与高精度。

Comments 36th British Machine Vision Conference (BMVC 2025)

Nascent biofilms on soft surfaces

软表面上的新生生物膜

Garima Rani, G. H. Philipp Nguyen, René Wittmann, Hartmut Löwen, Anupam Sengupta

专题命中 生物医学文本 ：biomedical(abstract)

AI总结 研究揭示软表面刚度调控细菌自组织形成多层菌落的机制，通过实验和模拟发现表面顺应性影响生物膜发展。

Comments 45 pages (including Supplementary Materials), 7 Figures, and 10 Supplementary Figures. arXiv admin note: substantial text overlap with arXiv:2508.01021

Targeted learning via probabilistic subpopulation matching

通过概率亚群体匹配实现目标学习

Xiaokang Liu, Jie Hu, Naimin Jing, Yang Ning, Cheng Yong Tang, Runze Li, Yong Chen

专题命中 生物医学文本 ：biomedical(abstract)

AI总结 本文提出了一种通过概率亚群体匹配实现目标学习的新框架，旨在有效分解异质性并提升预测准确性。

On Second order correctness of Bootstrap in Logistic Regression

关于逻辑回归中自助法的二阶正确性

Debraj Das, Priyam Das

专题命中 生物医学文本 ：biomedical(abstract)

AI总结 本文提出了一种基于扰动重采样的自助方法，用于逻辑回归中MLE分布的近似，通过学生化和平滑技术实现二阶正确性，提升推断准确性。

Comments 38 pages

Journal ref Bernoulli 31 (4) 2814 - 2837, 2025

Query Carefully: Detecting the Unanswerables in Text-to-SQL Tasks

仔细查询：在文本到SQL任务中检测不可回答的问题

Jasmin Saxer, Isabella Maria Aigner, Luise Linzmeier, Andreas Weiler, Kurt Stockinger

机构 * Institute of Computer Science, Zurich University of Applied Sciences（计算机科学研究所，应用科学大学苏黎世） ； Institute of Medical Virology, University of Zurich（医学病毒学研究所，苏黎世大学） ； Department of Gastroenterology and Hepatology, University Hospital Zurich, University of Zurich（消化内科与肝病科，苏黎世大学医院，苏黎世大学） 纠错

专题命中 生物医学文本 ：biomedical(abstract)

AI总结 Query Carefully通过集成LLM生成和显式检测不可回答问题，提升生物医学领域文本到SQL的准确性和可靠性。

Comments Accepted to the HC@AIxIA + HYDRA 2025

Evaluating Large Language Models for Line-Level Vulnerability Localization

评估大型语言模型在行级漏洞定位中的表现

Jian Zhang, Chong Wang, Anran Li, Weisong Sun, Cen Zhang, Wei Ma, Yang Liu

专题命中 医学数据与评测 ：diagnosis(abstract)

AI总结 本文评估了大型语言模型在行级漏洞定位中的表现，发现判别微调在有充足训练数据时效果显著，而提示方法在低数据环境下更有效，同时提出了改进微调过程的策略。

Comments Accepted to TSE