医学 AI

A Generalist Foundation Model for Total-body PET/CT Enables Diagnostic Reporting and System-wide Metabolic Profiling

一种通用的基础模型用于全身PET/CT，实现诊断报告和系统层面的代谢分析

Wei Chen, Liang Wu, Shuyi Lu, Yuanyuan Sun, Wenkai Bi, Zilong Yuan, Yaoyao He, Feng Wang, Junchi Ma, Shuyong Liu, Zhaoping Cheng, Xiaoyan Hu, Jianfeng Qiu

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

AI总结 SDF-HOLO是一种用于全身PET/CT的通用基础模型，通过多模态学习实现诊断报告和系统代谢分析，提升医疗影像处理的精度与效率。

From 100,000+ images to winning the first brain MRI foundation model challenges: Sharing lessons and models

从10万张图像到赢得首个脑部MRI基础模型挑战：分享经验与模型

Pedro M. Gordaliza, Jaume Banus, Benoît Gérin, Maxence Wynen, Nataliia Molchanova, Jonas Richiardi, Meritxell Bach Cuadra

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

AI总结 本文提出了一种结合解剖学先验和神经影像知识的U-Net CNN架构，在3D脑部MRI挑战中取得领先，模型训练速度快且体积小。

Comments Work presented at the SSL3D Challenge (1st place, ResEnc-L track) and FOMO Challenge (1st place, Methods track) on Brain MRI Foundation Models at MICCAI 2025

HANS-Net: Hyperbolic Convolution and Adaptive Temporal Attention for Accurate and Generalizable Liver and Tumor Segmentation in CT Imaging

HANS-Net：超几何卷积与自适应时间注意力用于准确且可泛化的CT影像肝脏和肿瘤分割

Arefin Ittesafun Abian, Ripon Kumar Debnath, Md. Abdur Rahman, Mohaimenul Azam Khan Raiaan, Md Rafiqul Islam, Asif Karim, Reem E. Mohamed, Sami Azam

机构 * Department of Computer Science and Engineering, United International University（计算机科学与工程系，国际大学） ； Faculty of Science and Technology, Charles Darwin University（科学与技术学院，查尔斯达尔文大学） ； Faculty of Science and Information Technology, Charles Darwin University（科学与信息技术学院，查尔斯达尔文大学） 纠错

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

AI总结 HANS-Net通过超几何卷积、自适应时间注意力和隐式神经表示，实现肝脏和肿瘤分割的高精度与泛化能力。

Comments Manuscript under review in IEEE Transactions on Radiation and Plasma Medical Sciences

Journal ref IEEE Transactions on Radiation and Plasma Medical Sciences (2026)

Exploiting Test-Time Augmentation in Federated Learning for Brain Tumor MRI Classification

在联邦学习中利用测试时增强进行脑肿瘤MRI分类

Thamara Leandra de Deus Melo, Rodrigo Moreira, Larissa Ferreira Rodrigues Moreira, André Ricardo Backes

机构 * Institute of Exact and Technological Sciences, Federal University of Viçosa - UFV, Rio Paranaíba-MG, Brazil（精确与技术科学研究所，弗拉维亚联邦大学-UFV，里奥帕拉纳伊巴-MG，巴西） ； Department of Computing, Federal University of São Carlos, São Carlos-SP, Brazil（计算系，萨o卡洛斯联邦大学，萨o卡洛斯-SP，巴西） 纠错

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

AI总结 本文提出在联邦学习中结合测试时增强和轻量预处理以提升脑肿瘤MRI分类的准确性。

Comments 21st International Conference on Computer Vision Theory and Applications (VISAPP 2026), 9-11 March 2026, Marbella, Spain

SSPFormer: Self-Supervised Pretrained Transformer for MRI Images

SSPFormer: 用于MRI图像的自监督预训练Transformer

Jingkai Li, Xiaoze Tian, Yuhang Shen, Jia Wang, Dianjie Lu, Guijuan Zhang, Zhuoran Zheng

机构 * Qilu University of Technology（青岛科技大学） ； Second Hospital of Shandong University（山东大学第二医院） ； Shandong Normal University（山东师范大学） 纠错

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

AI总结 SSPFormer通过自监督预训练和反频率投影掩码等方法，提升MRI图像处理的领域适应性和鲁棒性，实现分割、超分辨率和去噪任务的高性能表现。

Comments Undergraduate student as first author submitted to IJCAI

Fine-Tuning Cycle-GAN for Domain Adaptation of MRI Images

微调循环生成对抗网络用于MRI图像的域适应

Mohd Usama, Belal Ahmad, Faleh Menawer R Althiyabi

机构 * Department of Diagnostics and Intervention, and Biomedical Engineering, Umea University（乌梅大学诊断与介入系及生物医学工程系） ； Department of Computer Science and Information Engineering, National Taipei University of Technology（国立台北科技大学计算机科学与信息工程系） ； IRC for Bio Systems and Machines, King Fahd University of Petroleum and Minerals（国王法赫德石油与矿物大学生物系统与机器研究院） 纠错

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

AI总结 本文提出基于Cycle-GAN的无监督MRI图像域适应方法，通过双向映射和损失函数优化，提升跨域图像处理的准确性和一致性。

Comments 14 pages, 9 figures, 2 tables

PraNet-V2: Dual-Supervised Reverse Attention for Medical Image Segmentation

PraNet-V2：双监督反向注意力用于医学图像分割

Bo-Cheng Hu, Ge-Peng Ji, Dian Shao, Deng-Ping Fan

机构 * Nankai Institute of Advanced Research (SHENZHEN-FUTIAN)（南开研究院（深圳福田）） ； VCIP & CS, Nankai University（南开大学VCIP与计算机科学系） ； School of Computing, Australian National University（澳大利亚国立大学计算机学院） ； Unmanned System Research Institute, Northwestern Polytechnical University（西北工业大学无人系统研究院） 纠错

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

AI总结 PraNet-V2通过双监督反向注意力模块提升医学图像多类分割性能，实现平均Dice分数提升1.36%

Comments Accepted to Computational Visual Media (CVMJ) 2026. 4 tables 3 figures 8 pages

Bridging Modalities: Joint Synthesis and Registration Framework for Aligning Diffusion MRI with T1-Weighted Images

弥合模态：联合合成与配准框架用于对齐扩散磁共振成像与T1加权图像

Xiaofan Wang, Junyi Wang, Yuqian Chen, Lauren J. O' Donnell, Fan Zhang

机构 * University of Electronic Science and Technology of China（电子科技大学） ； Brigham and Women’s Hospital（布里奇沃特医院） ； Harvard Medical School（哈佛医学院） 纠错

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

AI总结 本文提出一种基于生成配准网络的无监督框架，通过图像合成和变形场学习，提升扩散MRI与T1加权图像的配准精度。

Decoder-Free Supervoxel GNN for Accurate Brain-Tumor Localization in Multi-Modal MRI

无解码器的监督超像素图神经网络用于多模态MRI中脑肿瘤的准确定位

Andrea Protani, Marc Molina Van Den Bosch, Lorenzo Giusti, Heloisa Barbosa Da Silva, Paolo Cacace, Albert Sund Aillet, Miguel Angel Gonzalez Ballester, Friedhelm Hummel, Luigi Serio

机构 * European Organization for Nuclear Research, Geneva, Switzerland（欧洲核子研究中心） ； Dept. of Neuroscience, École Polytechnique Fédérale de Lausanne, Lausanne, Switzerland（瑞士洛桑联邦理工学院神经科学系） ； BCN Medtech, Dept. of Engineering, Universitat Pompeu Fabra, Barcelona, Spain（巴塞罗那大学工程系） ； Universidade de Coimbra, Coimbra, Portugal（科英布拉大学） ； Sapienza Università di Roma, Rome, Italy（罗马萨皮恩扎大学） ； ICREA, Barcelona, Spain（巴塞罗那高等科研机构） 纠错

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

AI总结 本文提出SVGFormer，一种无解码器的监督超像素图神经网络，用于多模态MRI中脑肿瘤的准确定位，通过层次编码器结合Transformer和图注意力网络，实现高精度和可解释的医学图像分析。

Comments 10 pages, 3 figures,

Generalizing Abstention for Noise-Robust Learning in Medical Image Segmentation

在医学图像分割中为噪声鲁棒学习推广回避机制

Wesam Moustafa, Hossam Elsafty, Helen Schneider, Lorenz Sparrenberg, Rafet Sifa

机构 * Institute of Computer Science, University of Bonn（博恩大学计算机科学研究所） ； Fraunhofer Institute for Intelligent Analysis and Information Systems IAIS（弗劳恩霍夫智能分析与信息系统研究所） ； Lamarr Institute for Machine Learning and Artificial Intelligence（拉马尔人工智能与机器学习研究所） 纠错

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

AI总结 本文提出了一种通用的回避框架，通过改进损失函数的噪声鲁棒性，提升医学图像分割的可靠性。

Likelihood-Separable Diffusion Inference for Multi-Image MRI Super-Resolution

基于似然分离的扩散推理用于多图像MRI超分辨率

Samuel W. Remedios, Zhangxing Bian, Shuwen Wei, Aaron Carass, Jerry L. Prince, Blake E. Dewey

机构 * Johns Hopkins University（约翰霍普金斯大学） 纠错

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

AI总结 本文提出了一种基于扩散模型的多图像MRI超分辨率方法，通过分离似然校正实现高效推理，显著提升了各向异性退化下的超分辨率性能。

VAST: Vascular Flow Analysis and Segmentation for Intracranial 4D Flow MRI

VAST：颅内4D血流MRI的血流分析与分割

Abhishek Singh, Vitaliy L. Rayz, Pavlos P. Vlachos

专题命中 医学影像 ：MRI(title,abstract)；分类 eess.IV

AI总结 VAST通过自动化处理和物理约束，提高了颅内4D血流MRI的精度和实用性，实现了更一致的血流场分析。

Organ-Aware Attention Improves CT Triage and Classification

器官感知注意力提升CT分诊与分类

Lavsen Dahal, Yubraj Bhandari, Geoffrey D. Rubin, Joseph Y. Lo

机构 * Duke University（杜克大学） ； University of Arizona（亚利桑那大学） 纠错

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

AI总结 ORACLE-CT通过器官感知注意力和标量融合方法，在胸部和腹部CT分诊中实现最先进的分类性能。

Neural Fields for Highly Accelerated 2D Cine Phase Contrast MRI

神经场用于高加速二维 cine 相位对比 MRI

Pablo Arratia, Martin J. Graves, Mary McLean, Carolin Pirkl, Carola-Bibiane Schönlieb, Timo Schirmer, Florian Wiesinger, Matthias J. Ehrhardt

专题命中 医学影像 ：MRI(title,abstract)；分类 eess.IV

AI总结 本文提出神经场用于高加速二维 cine 相位对比 MRI，通过联合建模幅度和相位实现速度估计，并通过后处理步骤提升重建精度。

Spatiotemporal Maps for Dynamic MRI Reconstruction

时空映射用于动态MRI重建

Rodrigo A. Lobos, Xiaokai Wang, Rex T. L. Fung, Yongli He, David Frey, Dinank Gupta, Zhongming Liu, Jeffrey A. Fessler, Douglas C. Noll

专题命中 医学影像 ：MRI(title,abstract)；分类 eess.IV

AI总结 本文提出时空映射模型，用于改进动态MRI重建，通过结合空间和时间函数提升重建效率与准确性。

Comments 13 pages, 8 figures

Synthetic Volumetric Data Generation Enables Zero-Shot Generalization of Foundation Models in 3D Medical Image Segmentation

合成体积数据生成使基础模型在3D医学图像分割中的零样本泛化能力提升

Satrajit Chakrabarty, Sourya Sengupta, Gopal Avinash, Ravi Soni

专题命中 医学影像 ：medical image(title)；CT(abstract)；分类 eess.IV

AI总结 SynthFM-3D通过生成合成体积数据提升基础模型在3D医学图像分割中的零样本泛化能力，实现跨模态的高效分割性能。

Structural Graph Neural Networks with Anatomical Priors for Explainable Chest X-ray Diagnosis

具有解剖先验的结构图神经网络用于可解释的胸部X光诊断

Khaled Berkani

机构 * Berkani Khaled（伯克尼卡德） 纠错

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

AI总结 本文提出一种结合解剖先验的结构图神经网络，用于可解释的胸部X光诊断，通过结构传播机制提升模型的可解释性和诊断准确性。

Comments 15 pages, 3 figures, 3 tables

Highly Undersampled MRI Reconstruction via a Single Posterior Sampling of Diffusion Models

通过扩散模型单步后采样实现高 undersampling 的 MRI 重建

Jin Liu, Qing Lin, Zhuang Xiong, Shanshan Shan, Chunyi Liu, Min Li, Feng Liu, G. Bruce Pike, Hongfu Sun, Yang Gao

专题命中 医学影像 ：MRI(title,abstract)；分类 eess.IV

AI总结 本文提出SSDM-MRI方法，通过单步扩散模型和迭代选择性蒸馏算法实现高效MRI重建，具有快速重建时间和优异的图像质量。

Journal ref 2026

Human-AI Collaboration in Radiology: The Case of Pulmonary Embolism

放射科中的人机协作：肺栓塞案例

Paul Goldsmith-Pinkham, Chenhao Tan, Alexander K. Zentefis

专题命中 医学影像 ：radiology(title)

AI总结 研究探讨了放射科医生在肺栓塞诊断中与人工智能的协作，发现中等AI参与度带来最高一致性，且AI提升效率而不影响患者结果。

DExTeR: Weakly Semi-Supervised Object Detection with Class and Instance Experts for Medical Imaging

DExTeR: 基于类别和实例专家的弱监督目标检测用于医学影像

Adrien Meyer, Didier Mutter, Nicolas Padoy

机构 * University of Strasbourg, CNRS, INSERM, ICube, UMR7357, France（斯特拉斯堡大学、法国国家科学研究中心、法国国家医学研究院、ICube、UMR7357、法国） ； University Hospital of Strasbourg, France（斯特拉斯堡大学医院、法国） 纠错

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

AI总结 DExTeR通过引入类别和实例专家机制，提升医学影像弱监督目标检测的精度与鲁棒性，实现高检测准确率与低注解成本。

Towards Modality-Agnostic Continual Domain-Incremental Brain Lesion Segmentation

面向模态无关的持续域增量性脑部病变分割

Yousef Sadegheih, Dorit Merhof, Pratibha Kumari

专题命中 医学影像 ：medical image(abstract)；MRI(abstract)；分类 eess.IV

AI总结 CLMU-Net通过灵活的模态处理和重放机制，提升持续域增量性脑部病变分割的性能和鲁棒性。

Comments Submitted to MIDL 2026

SGW-GAN: Sliced Gromov-Wasserstein Guided GANs for Retinal Fundus Image Enhancement

SGW-GAN: 基于切片Gromov-Wasserstein的GANs用于视网膜彩色照相图像增强

Yujian Xiong, Xuanzhao Dong, Wenhui Zhu, Xin Li, Oana Dumitrascu, Yalin Wang

机构 * Arizona State University（亚利桑那州立大学） ； Mayo Clinic（梅奥诊所） 纠错

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

AI总结 SGW-GAN通过引入切片GW技术，有效提升视网膜图像质量，实现更准确的疾病分级和临床应用。

Topology-Aware Loss for Aorta and Great Vessel Segmentation in Computed Tomography Images

面向拓扑的损失函数用于CT图像中主动脉和大血管分割

Seher Ozcelik, Sinan Unver, Ilke Ali Gurses, Rustu Turkay, Cigdem Gunduz-Demir

机构 * KUIS AI Center, Koc University（Koc大学KUIS人工智能中心） ； Department of Mathematics, Koc University（Koc大学数学系） ； Department of Anatomy, School of Medicine, Koc University（Koc大学医学院解剖学系） ； Department of Radiology, School of Medicine, Haseki SUAM, Medical Sciences University（医学院放射学系，Haseki SUAM，医学科学大学） ； Department of Computer Engineering, School of Medicine, and KUIS AI Center, Koc University（医学院计算机工程系，KUIS人工智能中心，Koc大学） 纠错

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

AI总结 本文提出一种拓扑感知损失函数，通过持续同调性惩罚改进CT图像中主动脉和大血管的分割性能。

Journal ref Biomedical Signal Processing and Control, 117, 109512 (2026)

Real-Time Reconstruction of 3D Bone Models via Very-Low-Dose Protocols

通过极低剂量协议实时重建3D骨模型

Yiqun Lin, Haoran Sun, Yongqing Li, Rabia Aslam, Lung Fung Tse, Tiange Cheng, Chun Sing Chui, Wing Fung Yau, Victorine R. Le Meur, Meruyert Amangeldy, Kiho Cho, Yinyu Ye, James Zou, Wei Zhao, Xiaomeng Li

机构 * Department of Electronic and Computer Engineering, The Hong Kong University of Science and Technology, Hong Kong SAR（香港理工大学电子与计算机工程系） ； Koln 3D Technology (Medical) Limited, Hong Kong SAR（香港特别行政区科隆3D技术（医疗）有限公司） ； Department of Physics, Beihang University, Beijing, China（北京航空航天大学物理系） ； Union Hospital, Hong Kong SAR（香港特别行政区联合医院） ； Dental Materials Science, Division of Applied Oral Sciences and Community Dental Care, Faculty of Dentistry, The University of Hong Kong, Hong Kong SAR（香港大学牙科学院牙体材料科学系） ； Department of Orthopaedics and Traumatology, The Chinese University of Hong Kong, Hong Kong SAR（香港中文大学骨科及创伤外科学系） ； Department of Management Science and Engineering, Stanford University, Stanford, CA, USA（斯坦福大学管理科学与工程系） ； Department of Biomedical Data Science, Stanford University, Stanford, CA, USA（斯坦福大学生物医学数据科学系） 纠错

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

AI总结 本研究提出SSR-KD框架，通过双平面X光在30秒内快速重建高精度3D骨模型，降低辐射暴露并提升术中应用的实用性。

Comments Accepted to npj Digital Medicine

VERIDAH: Solving Enumeration Anomaly Aware Vertebra Labeling across Imaging Sequences

VERIDAH：在影像序列中解决枚举异常的椎体标注

Hendrik Möller, Hanna Schoen, Robert Graf, Matan Atad, Nathan Molinier, Anjany Sekuboyina, Bettina K. Budai, Fabian Bamberg, Steffen Ringhof, Christopher Schlett, Tobias Pischon, Thoralf Niendorf, Josua A. Decker, Marc-André Weber, Bjoern Menze, Daniel Rueckert, Jan S. Kirschke

机构 * TUM University Hospital（慕尼黑技术大学医院） ； Technical University of Munich (TUM)（慕尼黑技术大学） ； Institute of Biomedical Engineering（生物医学工程学院） ； Polytechnique Montreal（蒙特利尔理工学院） ； Mila -- Quebec AI Institute（魁北克人工智能研究所） ； University of Zurich（苏黎世大学） ； Rostock University Medical Center（罗斯托克大学医学中心） ； University Hospital Heidelberg（海德堡大学医院） ； Medical Center -- University of Freiburg（弗赖堡大学医学中心） ； Max-Delbrueck-Center for Molecular Medicine in the Helmholtz Association (MDC)（马克斯-德尔布吕克分子医学中心（马克斯·普朗克协会）） ； University Hospital Augsburg（奥格斯堡大学医院） 纠错

专题命中 医学影像 ：CT(abstract)；分类 cs.CV

AI总结 VERIDAH是一种基于多重分类头和加权椎体序列预测算法的新型椎体标注方法，有效解决影像序列中椎体枚举异常的自动标注问题。

Comparative Study of UNet-based Architectures for Liver Tumor Segmentation in Multi-Phase Contrast-Enhanced Computed Tomography

对多期对比增强CT中肝肿瘤分割的基于UNet的架构的比较研究

Doan-Van-Anh Ly, Thanh-Hai Le, Thi-Thu-Hien Pham

机构 * School of Computer Science and Engineering（计算机科学与工程学院） ； The Saigon International University（暹罗国际大学） ； School of Biomedical Engineering（生物医学工程学院） ； International University（国际大学） ； Vietnam National University HCMC（越南国家大学胡志明市分校） 纠错

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

AI总结 本研究比较了基于UNet的架构在肝肿瘤分割中的性能，发现ResNet结合CBAM在Dice和IoU指标上表现最佳，同时具备更高的稳定性和特异性。

Comments 18 pages, 11 figures

Deep learning-based neurodevelopmental assessment in preterm infants

基于深度学习的早产儿神经发育评估

Lexin Ren, Jiamiao Lu, Weichuan Zhang, Benqing Wu, Tuo Wang, Yi Liao, Jiapan Guo, Changming Sun, Liang Guo

机构 * Image Computing Laboratory（图像计算实验室） ； Shaanxi University of Science and Technology（陕西科技大学） ； Department of Neonatology（新生儿科） ； Shenzhen University of Advanced Technology General Hospital（深圳先进技术大学附属医院） ； Department of Neurosurgery（神经外科） ； The First Affiliated Hospital of Xi’an Jiaotong University（西安交通大学第一附属医院） ； Department of Radiotherapy（放射治疗科） ； University of Groningen, University Medical Center Groningen（格罗宁根大学，格罗宁根大学医学中心） ； CSIRO Data61 纠错

专题命中 医学影像 ：MRI(abstract)；分类 cs.CV

AI总结 本文提出层次密集注意力网络，用于准确分割早产儿白质和灰质，以评估其神经发育状况。

Comments 27 pages, 8 figures

IMSAHLO: Integrating Multi-Scale Attention and Hybrid Loss Optimization Framework for Robust Neuronal Brain Cell Segmentation

IMSAHLO：整合多尺度注意力与混合损失优化框架用于鲁棒的神经元脑细胞分割

Ujjwal Jain, Oshin Misra, Roshni Chakraborty, Mahua Bhattacharya

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

AI总结 IMSAHLO通过多尺度注意力与混合损失优化，提升神经元细胞分割的鲁棒性和精度。

Does DINOv3 Set a New Medical Vision Standard? Benchmarking 2D and 3D Classification, Segmentation, and Registration

DINOv3 是否设定了医学视觉的新标准？对2D和3D分类、分割与配准的基准测试

Che Liu, Yinda Chen, Haoyuan Shi, Jinpeng Lu, Bailiang Jian, Jiazhen Pan, Linghan Cai, Jiayi Wang, Jieming Yu, Ziqi Gao, Xiaoran Zhang, Long Bai, Yundi Zhang, Jun Li, Cosmin I. Bercea, Cheng Ouyang, Chen Chen, Zhiwei Xiong, Benedikt Wiestler, Christian Wachinger, James S. Duncan, Daniel Rueckert, Wenjia Bai, Rossella Arcucci

机构 * Imperial College London（伦敦帝国理工学院） ； University of Science and Technology of China（中国科学技术大学） ； Dresden University of Technology（德累斯顿技术大学） ； University of Erlangen-Nuremberg（埃尔兰根-纽伦堡大学） ； University of Oxford（牛津大学） ； University of Sheffield（谢菲尔德大学） ； Technical University of Munich (TUM)（慕尼黑技术大学） ； Munich Center for Machine Learning（慕尼黑机器学习中心） ； The Hong Kong University of Science and Technology（香港科学与技术大学） ； The Chinese University of Hong Kong（香港中文大学） ； Yale University（耶鲁大学） 纠错

专题命中 医学影像 ：CT(abstract)；分类 cs.CV

AI总结 DINOv3在医学视觉任务中表现出色，但其在深度领域专门化任务中存在性能退化问题。

Comments Technical Report

Intelligent Documentation in Medical Education: Can AI Replace Manual Case Logging?

医学教育中的智能文档：AI能否取代手动病例记录？

Nafiz Imtiaz Khan, Kylie Cleland, Vladimir Filkov, Roger Eric Goldman

机构 * Department of Computer Science, University of California, Davis, CA, USA（计算机科学系，加州大学戴维斯分校） ； Department of Radiology, University of California, Davis, CA, USA（放射学系，加州大学戴维斯分校） 纠错

专题命中 医学影像 ：radiology(abstract,comments)

AI总结 本研究探讨了大型语言模型在自动完成放射学程序性病例记录中的可行性，结果显示LLMs在提取结构化信息方面表现优异，能有效减轻学员文书负担并提高记录一致性。

Comments 51 pages, 12 figures, 8 tables. Feasibility study using retrospective radiology reports. Submitted to JAMIA Open (under review)