医学 AI

CTIS-QA: Clinical Template-Informed Slide-level Question Answering for Pathology

CTIS-QA：基于临床模板的滑动切片级问题回答用于病理学

Hao Lu, Ziniu Qian, Yifu Li, Yang Zhou, Bingzheng Wei, Yan Xu

机构 * School of Biological Science（生物科学学院） ； Medical Engineering Beihang University Beijing, China（医学工程北京航空航天大学北京中国） ； ByteDance Inc.（字节跳动公司） 纠错

专题命中 病理影像 ：pathology(title,abstract)；diagnosis(abstract)；分类 cs.CV

AI总结 CTIS-QA通过双流架构实现滑动切片级问题回答，结合临床模板和视觉-语言对齐，提升病理诊断准确性。

Comments The paper has been accepted by BIBM 2025

Toward Auditable Neuro-Symbolic Reasoning in Pathology: SQL as an Explicit Trace of Evidence

迈向病理学中的可审计神经符号推理：SQL作为证据的显式轨迹

Kewen Cao, Jianxu Chen, Yongbing Zhang, Ye Zhang, Hongxiao Wang

机构 * Capital Normal University, Beijing, China（首都师范大学） ； Leibniz-Institut für Analytische Wissenschaften-ISAS, Dortmund, Germany（莱比锡分析科学研究所-ISAS） ； Harbin Institute of Technology, Shenzhen, China（哈尔滨工业大学深圳校区） 纠错

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

AI总结 本文提出一种基于SQL的神经符号推理框架，通过可执行的SQL轨迹实现病理分析的可审计性和可解释性。

Mind the Gap: Continuous Magnification Sampling for Pathology Foundation Models

注意间隙：连续放大采样用于病理基础模型

Alexander Möllers, Julius Hense, Florian Schulz, Timo Milbich, Maximilian Alber, Lukas Ruff

机构 * Berlin Institute for the Foundations of Learning and Data (BIFOLD)（柏林学习与数据基础研究所） ； Machine Learning Group, Technische Universität Berlin（柏林技术大学机器学习小组） ； Aignostics（Aignostics公司） ； Charité, Universitätsmedizin Berlin（柏林夏里特大学医学院） 纠错

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

AI总结 本文提出连续放大采样方法，通过优化采样分布提升病理基础模型在不同放大倍率下的性能，显著改善中间放大倍率下的分类准确率。

G2L:From Giga-Scale to Cancer-Specific Large-Scale Pathology Foundation Models via Knowledge Distillation

G2L：从千兆级到癌症特异性大规模病理基础模型的知识蒸馏

Yesung Cho, Sungmin Lee, Geongyu Lee, Minkyung Lee, Jongbae Park, Dongmyung Shin

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

AI总结 G2L框架通过知识蒸馏将千兆级模型能力转移到大规模模型，以更少的参数和数据实现癌症特异性任务的高性能表现。

Comments Accepted in AAAI 2026 workshop in Health Intelligence Special Theme on Foundation Models and AI Agents

Virtual Multiplex Staining for Histological Images using a Marker-wise Conditioned Diffusion Model

使用标记条件扩散模型进行虚拟多标记染色

Hyun-Jic Oh, Junsik Kim, Zhiyi Shi, Yichen Wu, Yu-An Chen, Peter K Sorger, Hanspeter Pfister, Won-Ki Jeong

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

AI总结 本文提出了一种基于条件扩散模型的虚拟多标记染色方法，利用预训练模型生成多标记图像，提升了H&E图像的分子层面分析能力。

Comments Accepted at AAAI 2026

Data-Augmented Multimodal Feature Fusion for Multiclass Visual Recognition of Oral Cancer Lesions

数据增强多模态特征融合用于口腔癌病变的多类视觉识别

Joy Naoum, Revana Salama, Ali Hamdi

机构 * MSA University（MSA大学） 纠错

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

AI总结 本文提出一种数据增强驱动的多模态特征融合框架，用于提升口腔癌病变的多类视觉识别性能。

Conditional Diffusion Model with Anatomical-Dose Dual Constraints for End-to-End Multi-Tumor Dose Prediction

具有解剖剂量双约束的条件扩散模型用于端到端多肿瘤剂量预测

Hui Xie, Haiqin Hu, Lijuan Ding, Qing Li, Yue Sun, Tao Tan

机构 * Faculty of Applied Sciences, Macao Polytechnic University（澳门理工大学应用科学学院） ； Affiliated Hospital of Xiangnan University（湘南大学附属医院） ； Jiangxi Cancer Hospital（江西省肿瘤医院） ； Chenzhou Third People's Hospital（郴州第三人民医院） 纠错

专题命中 病理影像 ：CT(abstract)；分类 cs.CV

AI总结 ADDiff-Dose通过条件扩散模型实现多肿瘤剂量预测，结合解剖和剂量约束，提升预测精度与临床适用性。