医学 AI

Predicting Radiologist Expertise from 3D Gaze Patterns During CT Interpretation

从CT阅片时的三维注视模式预测放射科医生的专业水平

Leila Khaertdinova, Anna Anikina, Claudia Mello-Thoms, Bulat Ibragimov

机构 * University of Copenhagen（哥本哈根大学） ； University of Iowa（爱荷华大学） 纠错

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

AI总结 该研究提出基于注视信息的Transformer框架，利用放射科医生CT阅片的三维注视模式，在182次阅片会话数据上实现0.91的ROC-AUC和0.86的F1分数，可客观评估放射科医生专业水平。

Comments Accepted at MICCAI 2026

MRI-based Deep Radiomic Phenotyping of Neuromuscular Disorders: A Topology-driven Characterization

基于MRI的神经肌肉疾病深度放射组学表型分析：拓扑驱动的表征

Martyna Żur, Łukasz Piórecki, Marek Socha, Jordi Diaz-Manera, Jose Verdu Diaz, Volker Straub, Rossella Tupler, Joanna Polańska

机构 * Silesian University of Technology（西里西亚工业大学） ； Newcastle University（纽卡斯尔大学） ； University of Modena and Reggio Emilia（摩德纳与雷焦艾米利亚大学） 纠错

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

AI总结 本研究提出基于图拓扑等特征的自动化放射组学表型框架，利用1184例MRI扫描开发的拓扑与3D几何不变量，可作为神经肌肉疾病鉴别诊断的生物标志物，相关流程已集成于MUSCAT库。

Comments Draft manuscript. Has not yet been peer-reviewed

Phase-Aligned Finite-Fourier Periodic Deformation for 4D Medical Image Interpolation

用于4D医学图像插值的相位对齐有限傅里叶周期变形

Haojin Li, Hengzhuo Wang, Zhiheng Ma, Mingyang Ou, Heng Li, Jiang Liu

机构 * Southern University of Science and Technology（南方科技大学） ； Shenzhen University of Advanced Technology（深圳理工大学） ； Shenzhen University Medical School（深圳大学医学院） ； Shenzhen University（深圳大学） ； Beihang University（北京航空航天大学） 纠错

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

AI总结 该研究针对4D医学图像插值中周期结构编码不足、运动非均匀的问题，提出相位对齐有限傅里叶周期变形方法，在ACDC和4D-Lung数据集上实现了优于现有基线的性能。

Comments ACMMM 2026 accepted

Graph-Supervised Hierarchical Clinical Alignment for Radiology Report Generation with Large Language Models

面向结合大语言模型的放射学报告生成的图监督分层临床对齐

Yingshu Li, Yunyi Liu, Zhanyu Wang, Zailong Chen, Lingqiao Liu, Lei Wang, Luping Zhou

机构 * University of Sydney（悉尼大学） ； ByteDance（字节跳动） ； University of Wollongong（伍伦贡大学） ； University of Adelaide（阿德莱德大学） 纠错

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

AI总结 本文针对放射学报告生成中报告级监督与疾病级发现的粒度不匹配问题，提出图监督分层临床对齐方法，在3B模型上超越多个更大参数的现有系统，验证了优化监督结构的有效性。

Native-Space 3D CarveMix for Multi-Site T1w Stroke Segmentation

用于多中心T1加权卒中分割的原生空间3D CarveMix方法

Dexter Wen Jie Teo, Kumaradevan Punithakumar

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

AI总结 针对多中心未标准化T1w MRI的卒中分割难题，提出结合MedNeXt-L骨干与动态3D CarveMix增强的方法，在ISLES 2026数据集上实现0.648的5折交叉验证Dice分数，较原骨干提升0.018。

Comments Accepted at the SWITCH+ Workshop (ISLES 2026 Challenge), MICCAI 2026. Springer LNCS

Multi-Stage Prompt-Guided Feature Modulation for Generalizable Brain Tumor Segmentation

用于通用脑肿瘤分割的多阶段提示引导特征调制

Mohammad Mahdi Danesh Pajouh, Sara Saeedi

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

AI总结 本文提出多阶段动态提示nnU-Net，通过多阶段动态提示调制编码器特征，在BraTS GOAT数据集上较基线nnU-Net提升了脑肿瘤分割的Dice分数，增强了模型泛化性。

Comments Accepted to BraTS MICCAI 2026 Task 3 (Generalizability Across Tumors)

STRIVE: Multi-Agent Structured Temporal Reasoning with Integrated Verification for Longitudinal Radiology Report Generation

STRIVE：面向纵向放射报告生成的集成验证多智能体结构化时序推理

Junyeong Maeng, Eunsong Kang, Heung-Il Suk

机构 * Korea University（高丽大学） ； Kangwon National University（江原国立大学） 纠错

专题命中 医学影像 ：radiology(title,abstract)；diagnosis(abstract)

AI总结 STRIVE将临床推理分解为多智能体并引入两阶段验证，在Longitudinal-MIMIC数据集上实现纵向放射报告生成的最佳临床效能，纵向变化一致性较最强基准提升超一倍。

DRRG: A Discrete Diffusion Framework for Radiology Report Generation

DRRG：用于放射报告生成的离散扩散框架

Shaoyang Zhoua, Yingshu Li, Yunyi Liu, Lijun Pu, Lingqiao Liu, Lei Wang, Luping Zhou

机构 * School of Electrical and Computer Engineering, The University of Sydney（悉尼大学电气与计算机工程学院） ； Department of Radiology, The First Affiliated Hospital of Soochow University（苏州大学附属第一医院放射科） ； School of Computer Science, The University of Adelaide（阿德莱德大学计算机学院） ； School of Computing and Information Technology, University of Wollongong（卧龙岗大学计算与信息技术学院） 纠错

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

AI总结 本研究提出基于离散扩散大语言模型的DRRG框架，将放射报告生成转化为迭代掩码词去噪，在MIMIC-CXR、CheXpert Plus数据集上的多项指标优于对比方法，为放射报告生成提供了有效替代方案。

Low-Rank Velocity Fields as a Structural Prior for Unsupervised 4D Medical Image Interpolation

作为无监督四维医学图像插值结构先验的低秩速度场

Haojin Li, Hengzhuo Wang, Chang Liu, Zhiheng Ma, Heng Li, Jiang Liu

机构 * Southern University of Science and Technology（南方科技大学） ； Shenzhen University of Advanced Technology（深圳先进技术研究院） ； Shenzhen University Medical School（深圳大学医学院） ； Shenzhen University（深圳大学） ； Research Institute of Trustworthy Autonomous Systems（可信自主系统研究院） 纠错

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

AI总结 提出低秩速度场作为结构先验，结合多尺度方案实现无监督4D医学图像插值，在ACDC和4D-Lung数据集上达到最优性能，生成的中间体积结构一致性与轮廓稳定性更优。

Comments MICCAI 2026

Spatiotemporal Distillation via Recurrent Bottlenecks for Aortic Tracking

基于循环瓶颈的时空蒸馏用于主动脉追踪

Dexter Wen Jie Teo, Nairouz Shehata, Herve Lombaert

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

AI总结 该研究提出半监督时空知识蒸馏框架，利用循环瓶颈将空间教师模型知识迁移到时空学生模型，实现主动脉追踪准确率与可靠性提升，减少结构异常超56%。

Comments Accepted at the 17th Statistical Atlases and Computational Models of the Heart (STACOM) Workshop, MICCAI 2026. Springer LNCS

B-MIM: Biased Masked Image Modeling for Generalizable Segmentation of Fine-Grained Anatomical Structures

B-MIM：用于细粒度解剖结构通用分割的偏置掩码图像建模

Sebastián González, Karen Sanchez, José M. Saavedra, Marcelo Pizarro, Bernard Ghanem

机构 * Universidad de Chile（智利大学） ； King Abdullah University of Science and Technology (KAUST)（阿卜杜拉国王科技大学） ； Universidad de los Andes（安第斯大学） 纠错

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

AI总结 本文提出B-MIM方法改进iBOT目标，通过降低全局语义压力增强编码器对细粒度解剖结构的特征捕获，在跨数据集肝血管、肿瘤分割任务中仅更新部分参数就实现了更优性能，提升了模型泛化能力。

Comments Published at MedAGI in MICCAI 2026

FLARE: A Systematic, Uncertainty-Aware Framework for Evidence-Based Adoption of Artificial Intelligence in Healthcare

FLARE：一种用于循证采用医疗人工智能的系统性不确定性感知框架

Jacob Idoko, Siddhartha Paudel, Mariana Bento, Roberto Souza, Gouri Ginde

机构 * University of Calgary（卡尔加里大学） 纠错

专题命中 医学影像 ：CT(abstract,abstract_cn)

AI总结 本研究提出FLARE框架，结合模糊逻辑等方法评估医疗AI采用的财务与运营影响，经案例研究验证其可量化成本与节约额，确定盈亏平衡点，为医疗AI部署决策提供支持。

It depends: Incorporating correlations for joint aleatoric and epistemic uncertainties of high-dimensional output spaces

视情况而定：纳入高维输出空间的偶然不确定性与认知不确定性的相关性

Leonhard F. Feiner, Manuel Nickel, Martin Menten, Laurin Lux, Rickmer Braren, Daniel Rueckert, Georgios Kaissis, Raphael Rehms, Johannes Paetzold

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

AI总结 该研究针对高维输出空间的深度学习，提出低秩加对角协方差结构的联合不确定性建模方法，实现偶然与认知不确定性的统一，在多项视觉任务中提升了不确定性量化效果。

Comments Published in Transactions on Machine Learning Research (TMLR), 2026. 42 pages, 14 figures, 10 tables. this https URL (https://openreview.net/forum?id=zw5EuUnBny)

Example-based Robust Abnormality Detection with Minimal Annotations using Exemplar Med-DETR

基于范例的、使用最少标注的鲁棒异常检测：Exemplar Med-DETR

Sheethal Bhat, Bogdan Georgescu, Awais Mansoor, Mathias Zinnen, Pranjal Sahu, Florin C. Ghesu, Sasa Grbic, Andreas Maier

机构 * Friedrich-Alexander-Universität（弗里德里希-亚历山大大学） ； Siemens Healthineers（西门子医疗） ； Siemens Medical Solutions（西门子医疗解决方案） 纠错

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

AI总结 该研究针对医学目标检测标注需求高的问题，扩展EM-DETR框架提出Exemplar Med-DETR方法，结合基于范例的特征生成与领域感知对比优化，用不足10%标注数据实现接近SOTA的胸部X射线异常检测性能，适配新疾病发现且无需大量重训练。

Neurosymbolic Alignment for Physiologically-Safe Clinical Language Models

面向生理安全临床语言模型的神经符号对齐

Abdulhady Abas Abdullah, Erik Cambria, Milena Zivkovic

机构 * University of Kurdistan Hewlêr（库尔德斯坦大学） ； Nanyang Technological University（南洋理工大学） ； Massachusetts Institute of Technology（麻省理工学院） ； University of Kragujevac（克拉古耶瓦茨大学） 纠错

专题命中 临床大模型 ：clinical LLM(abstract)；biomedical(abstract)

AI总结 提出神经符号对齐框架，耦合临床LLM与HGNN生理世界模型，在CSB基准上显著提升临床LLM的生理安全性能，优于ORPO、GPT-4等方法，为临床LLM安全对齐提供新路径。

A Multimodal Foundation Model for Longitudinal Patient Representation and Scalable Insight Generation in Oncology

面向肿瘤学纵向患者表示与可扩展洞察生成的多模态基础模型

Eugene Vorontsov, Yi Kan Wang, Alican Bozkurt, Adam Casson, Ludmila Tydlitatova, Michal Zelechowski, Ezra E. W. Cohen, Jyoti D. Patel, Max Banaszak, Caitlin McWilliams, Shane Colley, Kate Sasser, Ryan Fukushima, Eric Lefkofsky, Razik Yousfi, Siqi Liu

机构 * Tempus AI, Inc.（Tempus AI公司） 纠错

专题命中 临床大模型 ：pathology(abstract)；分类 cs.LG

AI总结 本研究推出多模态基础模型oFM，基于167万肿瘤患者数据整合多模态信息，在预后基准及治疗队列中表现优于基线特征，还开发了机制发现框架以解释模型，助力肿瘤学临床与药物开发应用。

Predicting Only from Selected Evidence: A Tempered Product-of-Experts Bottleneck for Auditable EEG Diagnosis

仅从选定证据进行预测：用于可审计脑电图诊断的 tempered 专家乘积瓶颈

Yinghao Wang, Shujian Yu, Duc Han Le, Zhikai Yu, Changming Wang, Van-Tam Nguyen

专题命中 诊断辅助 ：diagnosis(title,abstract)；分类 eess.SP

AI总结 本研究提出 tPoE-EIB 方法，通过选择 EEG 的时间与通道证据构建受信息率限制的融合机制，在保持平衡准确率的同时提升了诊断的可审计性，适用于多种 EEG 诊断场景。

Boot-and-Feedback Framework for Generalist-Expert Model Collaboration in Breast Ultrasound Diagnosis

用于乳腺超声诊断的通才-专家模型协作的引导与反馈框架

Ming Cheng, Hongyu Sun, Zhaolin Chen, Jun Liu, Hossein Rahmani, Qiuhong Ke

机构 * Monash University（莫纳什大学） ； Renmin University of China（中国人民大学） ； Lancaster University（兰卡斯特大学） 纠错

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

AI总结 针对乳腺超声诊断中深度学习的可靠性与可解释性难题，提出BooF框架实现MLLM与专家模型协作，经多数据集验证其性能优于现有最优方法。

Comments 5 pages, 2 figures. Published in ICASSP 2026

EviDx: Evidence-Aware Active Diagnosis with Scaffolded LLM Agents

Lihang Zeng, Shaoting Zhang, Xiaofan Zhang

专题命中 诊断辅助 ：diagnosis(title,abstract)

Scalable Question-Centric Text-to-Image Evaluation: Reliable Ranking, Fine-Grained Diagnosis, and Cost-Aware Routing

可扩展的以问题为中心的文本到图像评估：可靠排名、细粒度诊断与成本感知路由

Shaoan Zhao, Fang Zhao, Xueqiang Guo, Xinpei Su, Huanlin Gao, Qiang Hui, Ting Lu, Fuyuan Shi, Chao Tan, Bikun Yang, Kai Wang, Shiguo Lian

机构 * Data Science & Artificial Intelligence Research Institute, China Unicom（中国联通数据科学与人工智能研究院） ； Unicom Data Intelligence, China Unicom（中国联通数据智能） ； China Unicom Group Co.,Ltd（中国联通集团有限公司） 纠错

专题命中 诊断辅助 ：diagnosis(title,abstract)

AI总结 研究针对T2I模型评估的问题，提出QC-T2I-Bench框架，结合DSG实现细粒度诊断，评估显示多能力组件联合完成率随能力数增加下降，成本感知路由器可在减少算力的同时达到ERNIE的估计精度。

ToolRobustBench: Stage-Wise Perturbation Evaluation and Failure Diagnosis for Tool-Calling Agents

ToolRobustBench：工具调用智能体的分阶段扰动评估与故障诊断

YiShan Zheng, Yuan Wu, Yi Chang

专题命中 诊断辅助 ：diagnosis(title)

AI总结 本研究推出ToolRobustBench，这一工具调用智能体的分阶段诊断基准，通过四类扰动族评估7个模型等的15456个实例，发现工具输出/观测扰动是主要瓶颈，可诊断工具调用故障来源与传播。

What FID Hides: Detecting, Ranking, and Diagnosing Deviations in Generative Evaluation

FID隐藏了什么：检测、排序和诊断生成式评估中的偏差

Hao Chen

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

AI总结 该研究针对生成式评估指标FID的缺陷，提出ZID方法，可检测、排序并诊断生成式模型的分布偏差，还能区分欠/过离散，在FID失效场景下有效。

Do Robotic World Models Really Follow Actions? Diagnosing and Aligning Action-Conditioned Generation for Policy Learning

机器人世界模型真的会遵循动作吗？面向策略学习的动作条件生成诊断与对齐

Sixiang Chen, Jiaming Liu, Jixian Wu, Yichen Guo, Tinghao Wang, Siyuan Qian, Hao Chen, Jiajun Cao, Jian Tang, Shanghang Zhang

机构 * Peking University（北京大学） ； Beijing Innovation Center of Humanoid Robotics（北京人形机器人创新中心） ； New York University（纽约大学） ； University of Electronic Science and Technology of China（电子科技大学） ； Nanyang Technological University（南洋理工大学） ； The Chinese University of Hong Kong（香港中文大学） 纠错

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

AI总结 本文针对动作条件世界模型的动作遵循问题，提出WorldEcho诊断工具与WorldSync改进方法，经实验验证WorldSync可提升动作遵循性能，作为可靠模拟器助力策略改进并提高任务成功率。

Ensemble of Convolutional Neural Networks for StrokePrediction: Towards Improved Diagnostic Accuracy

用于卒中预测的卷积神经网络集成：迈向更高的诊断准确率

Md Shahriar Sajid

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

AI总结 本研究提出基于11项特征的智能卒中预测系统，对比7种监督机器学习算法，发现Random Forest等集成方法准确率达99.52%，凸显其在卒中分类中的有效性。

Beyond Information Seeking: Severity-Aware Question Supervision for Proactive Medical Dialogue

超越信息获取：面向主动医疗对话的严重度感知问题监督

Chenxuan Li, Xinrong Chen, Luyan Zhang, Peidong Jia, Zhongyu Zhao, Xuecheng Shang, Peixing Wan

机构 * Peking University（北京大学） ； Northeastern University（东北大学） ； School of Basic Medical Sciences, Peking University（北京大学基础医学院） 纠错

专题命中 诊断辅助 ：diagnosis(abstract)

AI总结 本研究针对主动医疗对话提出ESR严重度感知问题监督目标，在DDxPlus数据集上提升了高严重度诊断准确率、降低了漏诊率，推动主动医疗对话向感知后果的证据获取方向发展。

Interpreting Control Latents for System Identification via Conditional Flow Matching

通过条件流匹配解释系统辨识的控制潜变量

Dingqi Zhang, Ruiqi Zhang, Mark W. Mueller

机构 * UC Berkeley（加州大学伯克利分校） 纠错

专题命中 诊断辅助 ：diagnosis(abstract)

AI总结 本研究提出用条件流匹配将控制潜变量解码为四旋翼模型集合，实现了冻结自适应策略的调优与鲁棒分析，使位置跟踪RMSE降23%、航向RMSE降45%。

From Triage to Discharge: A Survey of NLP Tasks, Methods, and Open Challenges in the Emergency Department

从分诊到出院：急诊部门NLP任务、方法与开放挑战综述

Dipankar Srirag, Aditya Joshi, Salil Kanhere, Padmanesan Narasimhan

机构 * University of New South Wales（新南威尔士大学） 纠错

专题命中 诊断辅助 ：diagnosis(abstract)

AI总结 本综述分析46篇论文，梳理急诊部门分诊、诊断、处置阶段的NLP任务与方法，指出模型从特定架构向预训练语言模型转变等趋势，明确泛化能力有限等开放挑战，为相关研究提供方向。

Comments Accepted to the EMNLP 2026 Main Conference; camera-ready version

Learning from Uncertainty-dependent Missing Labels for Semi-supervised Classification

从依赖不确定性的缺失标签中学习用于半监督分类

You-Gan Wang, Jinran Wu, Geoffrey J. McLachlan

专题命中 诊断辅助 ：diagnosis(abstract)

AI总结 该研究针对半监督分类中依赖不确定性的缺失标签，建立似然信息理论，推导费希尔信息分解等，证实此类机制可在固定标记预算下提升分类性能。

Comments 20 pages, 3 figures

LUCAID: Agentic Multimodal AI for Lung Cancer Precision Pathology

LUCAID：用于肺癌精准病理学的智能体多模态AI

Marie-Lisa Eich, Kai Standvoss, Timo Milbich, Alexander Möllers, Miriam Hägele, Philipp Anders, Lars Tharun, Hanna Kontradiuk, Sebastian Kons, Nader Aldoj, Recepcan Adigüzel, Adam Narai, Lukas Hönig, Jonathan Striebel, Binru Yang, Mihnea P. Dragomir, Marvin Sextro, Philipp Keyl, Philipp Jurmeister, Rosemarie Krupar, Evelyn Ramberger, James Wells, Julika Ribbat-Idel, Andreas Kunft, Hussam Shuaib, Christian Grohé, Reinhard Büttner, David Horst, Klaus-Robert Müller, Lukas Ruff, Maximilian Alber, Frederick Klauschen, Simon Schallenberg

机构 * Institute of Pathology, Charité – Universitätsmedizin Berlin（柏林夏里特医学院病理学研究所） ； Freie Universität Berlin（柏林自由大学） ； Humboldt-Universität zu Berlin（柏林洪堡大学） ； Berlin Institute of Health at Charité – Universitätsmedizin Berlin（柏林夏里特医学院柏林卫生研究所） ； Aignostics GmbH（Aignostics有限公司） ； Machine Learning Group, Technical University of Berlin（柏林工业大学机器学习组） ； BIFOLD – Berlin Institute for the Foundations of Learning and Data（BIFOLD——柏林学习与数据基础研究所） ； MVZ HPH Institut für Pathologie und Hämatopathologie GmbH（HPH病理及血液病理诊断中心有限公司） 纠错

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

AI总结 该研究开发并临床验证了LUCAID智能体多模态AI系统，其覆盖肺癌病理全流程任务，前瞻性验证中临床决策一致性达93.0%，优于经验丰富的胸病理学家，解决了现有AI工具的不足。

EMFE: A lightweight, explainable machine learning framework for malaria cell classification

EMFE：用于疟疾病细胞分类的轻量级可解释机器学习框架

Md Abdullah Al Kafi, Walayat Hussain, Mousumi Karmakar, Sumit Kumar Banshal, Ahmed Al Marouf

机构 * Daffodil International University（水仙国际大学） ； Peter Faber Business School（彼得·费伯商学院） ； Australian Catholic University（澳大利亚天主教大学） ； Alliance University（联盟大学） ； University of Alberta（阿尔伯塔大学） 纠错

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

AI总结 该研究提出轻量级可解释机器学习框架 EMFE，结合经典机器学习方法，在疟疾细胞分类任务中取得高准确率，可替代深度学习模型并明确量化其局限性。