医学 AI

Radiology-Report Semantic Modelling and Host-Response Laboratory Biomarkers for Multimodal Survival Prediction in Lung Cancer

放射学报告语义建模与宿主反应实验室生物标志物用于肺癌多模态生存预测

Jingxiang Shi, Yiming Wang, Zhengda Li, Yan Zhang, Weihua Meng, Yuqi Ma, Xiaoyan Li, Feng-Ming, Kong, Gen Yang

专题命中 病理影像 ：radiology(title,abstract)

AI总结 提出多模态自适应风险评分(AMRS)，融合放射学报告语义和常规实验室生物标志物，在574例肺癌患者中实现C-index 0.849，优于TNM分期。

Comments 14 pages,7 figures

PathoSage: Towards Multi-Source Evidence Adjudication in Pathology via Experience-Aware Agentic Workflow

PathoSage：通过经验感知的代理工作流实现病理学多源证据裁决

Chengyang Zhang, Wenchuan Zhang, Bo Li, Mengran Li, Bob Zhang, Yuhao Yi, Hong Bu, Jiancheng Lv

机构 * College of Computer Science, Sichuan University（四川大学计算机科学学院） ； Department of Pathology and Institute of Clinical Pathology, West China Hospital, Sichuan University（四川大学华西医院病理科/临床病理研究所） ； Department of Computer and Information Science, University of Macau（澳门大学计算机与信息科学系） ； School of Intelligent Systems Engineering, Sun Yat-sen University（中山大学智能工程学院） 纠错

专题命中 病理影像 ：pathology(title,abstract)

AI总结 提出PathoSage框架，通过结构化证据审议和Beta-Bernoulli经验系统，独立评估工具证据并解决冲突，减少幻觉和分类器分歧，提升病理学推理鲁棒性。

KHiM-Mamba: Injecting Pathology Knowledge into Mamba via Hidden-State Modulation for Whole Slide Image Analysis

KHiM-Mamba：通过隐藏状态调制将病理知识注入Mamba以用于 whole slide image（WSI）分析

Qixiang Zhang, Yi Li, Tianqi Xiang, Haonan Wang, Mengjiao Wei, Bo Xu, Xiaomeng Li

专题命中 病理影像 ：pathology(title)；分类 cs.CV、q-bio、eess.IV

AI总结 本研究提出KHiM-Mamba架构，通过将病理知识注入Mamba的选择性状态空间机制，解决纯视觉驱动的WSI分析问题，在4类任务的11个公共基准上取得最优性能。

Morphology-Aware Implicit Super-Resolution Network for Pathological Images

面向病理图像的形态感知隐式超分辨率网络

Jiaming Liang, QiHui Han, Haolin Chen, Chengxin Ye, Jiawen Liu, Jiazhou Chen, Xiaoqi Sheng, Hongmin Cai

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

AI总结 针对现有超分辨率方法难以保留病理图像细胞形态的问题，本文提出Morph-ISR框架，在TCGA等数据集上实现最优的LPIPS等指标，可高效保留诊断相关细节并支持边缘部署。

KOAL: Knowledge-Driven Prostate Cancer Grading with Ordinal-Aware Learning

KOAL：基于序数感知学习的知识驱动前列腺癌分级

Zheng Guo, Jiaqi Cui, Haocheng Xiong, Jize Han, Bo Liu, Qianwen Zhang, Rui Chen, Yan Wang

机构 * School of Computer Science, Sichuan University（四川大学计算机学院） ； China Mobile (Suzhou) Software Technology Company Limited（中国移动（苏州）软件技术有限公司） ； Shanghai Changhai Hospital, Naval Medical University（上海长海医院，海军医学大学） ； Renji Hospital, Shanghai Jiao Tong University School of Medicine（仁济医院，上海交通大学医学院） 纠错

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

AI总结 研究利用mpMRI无创预测前列腺癌GGG的问题，提出KOAL框架，含临床上下文调制、知识引导原型对齐和分层序数感知约束三个模块，实验证明该框架优于现有方法，提升了前列腺癌GGG预测准确性。

Comments 10 pages, 2 figures, 2 tables. Accepted at MICCAI 2026. This is the submitted version prior to peer review. The final authenticated version will be available on SpringerLink

Energy and Performance Benchmarking of Deep Learning Models for Breast Cancer Detection

用于乳腺癌检测的深度学习模型的能效与性能基准测试

Samar Garrab, Ghada Achour

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

AI总结 本文在乳腺超声、BreakHis 400X 两个数据集上对比七种深度学习模型的能效与性能，发现不同模型在两个数据集上的表现不同，需综合多维度选择医学应用模型。

Comments Accepted at ICMLA 2026 (IEEE International Conference on Machine Learning and Applications). Camera-ready version submitted

A Multi-Cohort Validation of Censoring-Aware Conformal Lower Predictive Bounds for Pathology Survival Models

面向病理生存模型的感知删失共形下界预测边界的多队列验证

Mingi Hong

专题命中 病理影像 ：pathology(title)；分类 cs.LG

AI总结 本研究通过多队列验证，评估了用于病理生存模型的感知删失共形下界预测边界方法drcosarc，发现其性能依赖于队列，解释受患者单元、估计量和删失假设影响。

Comments 22 pages, 3 figures, 2 main tables, and supplementary material. Preprint

PathSelect: Sequential Token Selection for Whole Slide Pathology

PathSelect：用于全切片病理学的序列令牌选择

Jingzhi Chen, Landi He, Zehong Chen, Peihang Wu, Lijian Xu

机构 * Shenzhen University of Advanced Technology（深圳先进技术研究院） 纠错

专题命中 病理影像 ：pathology(title)；分类 cs.CV

AI总结 针对全切片图像给视觉语言模型带来的计算瓶颈，提出解耦路由框架PathSelect，将令牌剪枝重构成序列选择过程，训练时引入方差保持噪声门等，推理时模块分离，有效减少令牌数，提高准确率并优于基于采样的方法。

From Patches to Patients: A study of the tile-to-slide performance transferability in Digital Pathology

从斑块到患者：数字病理学中斑块到全切片性能可迁移性的研究

Sofiène Boutaj, Leo Fillioux, Maria Vakalopoulou, Stergios Christodoulidis, Pierre Marza

机构 * Université Paris-Saclay, CentraleSupélec, Gustave Roussy, INSERM, IHU PRISM, Cancer Data Science Unit（巴黎-萨克雷大学、中央理工-高等电力学院、古斯塔夫·鲁西研究所、法国国家健康与医学研究院、IHU PRISM、癌症数据科学单元） ； Université Paris-Saclay, CentraleSupélec, MICS Laboratory（巴黎-萨克雷大学、中央理工-高等电力学院、MICS实验室） 纠错

专题命中 病理影像 ：pathology(title)；分类 cs.CV

AI总结 研究斑块级线性探测能否作为全切片级性能的可靠代理，通过19个基础模型在42个切片级和16个斑块级任务上的基准测试，发现斑块与切片性能高度相关，斑块级基准测试可有效筛选候选模型。

Comments Accepted to MICCAI 2026

Comprehensive Benchmarking of Deep Learning Architectures for Lung Cancer Histopathology

用于肺癌组织病理学的深度学习架构的综合基准测试

Hadi Hasan, Safaa Salman, Lama Sleem, Ralph Mouawad, Ali Chehab

机构 * American University of Beirut（贝鲁特美国大学） 纠错

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

AI总结 本研究构建两阶段深度学习框架，整合6种分类模型与4种分割模型，在病理数据集上测试后将最优模型整合，为自动化病理图像分析提供高效基准。

Comments 8 pages

Decomposing Whole Slide Image Report Generation with Graph-Constrained Multiple Instance Learning Workflows

用图约束的多实例学习工作流分解全切片图像报告生成

Antony Gitau, Martyna Borak, Bjørn-Jostein Singstad, Martin Paulson, Karl Thomas Hjelmervik, Ola Marius Lysaker, Veralia Gabriela Sanchez

机构 * Faculty of Technology, Natural Sciences and Maritime Sciences, University of South-Eastern Norway（东南挪威大学技术、自然科学与海洋科学学院） ； Center for Cancer and Blood Diseases, Vestfold Hospital Trust（西福尔信托医院癌症与血液疾病中心） ； Faculty of Biomedical Engineering, Silesian University of Technology（西里西亚工业大学生物医学工程学院） 纠错

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

AI总结 该研究提出图约束的多实例学习分解框架，结合Virchow2嵌入与器官条件图，提升WSI报告生成性能，明确器官路由是域转移瓶颈，支持错误定位。

Comments Accepted at the MICCAI 2026 REG Challenge

S$^3$-Diff: Structural Semantic Synergy Diffusion Model for High Fidelity Super Resolution of Pathological Images

S³-Diff：用于病理图像高保真超分辨率的结构语义协同扩散模型

Jiaming Liang, QiHui Han, Guangye Ou, Jiawen Liu, Haolin Chen, Xi Zhong, Jiazhou Chen, Xiaoqi Sheng, Hongmin Cai

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

AI总结 针对现有病理图像超分辨率技术易致形态平滑、语义漂移的问题，提出S³-Diff模型，通过SSA与SSFT实现高保真超分，性能优于现有最优方法，源代码将公开。

TaxoMIL: Taxonomy-Constrained Learning for Hierarchical Whole Slide Image Analysis

TaxoMIL：用于层次化全切片图像分析的分层约束学习

Chaeyeon Lee, Khang Nguyen Quoc, Jinsol Song, Yosep Chong, Kwangil Yim, Jin Tae Kwak

机构 * School of Electrical Engineering, Korea University（韩国大学电气工程学院） ； Department of Hospital Pathology, The Catholic University of Korea College of Medicine（韩国天主教大学医学院医院病理学系） 纠错

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

AI总结 提出TaxoMIL框架，将WSI诊断重构为多粒度文本生成任务，通过双头Transformer解码器和分类学引导目标，实现层次感知的准确预测。

Comments Accepted at ECCV 2026

Test-Time Instance Selection for Improved Whole Slide Image Analysis

用于改进全切片图像分析的测试时实例选择

Quoc Anh Nguyen, Sunhong Park, Jin Tae Kwak

专题命中 病理影像 ：diagnosis(abstract)；分类 cs.CV、q-bio、eess.IV；medical AI(comments)

AI总结 本研究提出无需训练的即插即用测试时实例选择框架TTIS，融入多视图集成策略，可无缝集成到现有MIL模型，在多个WSI分析基准任务中性能优于或匹配基线模型。

Comments Accepted at The 2nd MICCAI Workshop on Efficient Medical AI (EMA4MICCAI 2026)

4$π$ Planning for the Reduction of Predicted Hematologic Toxicity Risk in Cervical Cancer Radiotherapy

用于降低宫颈癌放疗中预测血液学毒性风险的4π计划

Haotian Feng, Yan Kong, Qifan Xu, Ke Sheng

专题命中 病理影像 ：CT(abstract,abstract_cn)

AI总结 该研究针对宫颈癌共面放疗的血液学毒性风险，用114例患者数据训练模型，发现4π非共面放疗可降低骨髓等剂量，使预测HT风险降23%，为减少该毒性提供了新方案。

Retrieval-Augmented Vision Foundation Models for Robust Leukemia Cell Classification across Multiple Microscopy Datasets

用于跨多个显微镜数据集实现稳健白血病细胞分类的检索增强视觉基础模型

Carlos Zamora, Hiram Zuniga, Ulises Orozco-Rosas, Kenia Picos

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

AI总结 本研究提出基于预训练视觉基础模型的两阶段检索增强框架，经多数据集测试，可实现跨异构数据集的稳健白血病细胞分类，为解决领域偏移问题提供低成本替代方案。

Comments Accepted at SPIE Optics + Photonics 2026 for oral presentation. 23 pages, 12 figures, 9 tables

Dynamic Image-Informed Selection of Biomechanical Tumor Growth Models

生物力学肿瘤生长模型的动态图像信息选择

Abdullah Al Noman, Pratyush Kumar Singh, David A Hormuth, Danial Faghihi

专题命中 病理影像 ：MRI(abstract,abstract_cn)

AI总结 研究胶质母细胞瘤进展中机械相互作用对其的影响。通过引入序贯贝叶斯推理和动态模型选择框架，利用纵向小鼠磁共振成像数据校准生物力学肿瘤生长模型参数，比较不同模型，得出机械耦合模型更优及应依个体评估本构假设的结论。

Reducing Redundancy in Whole-Slide Image Patching for Scalable Indexing and Retrieval

减少全切片图像分块冗余以实现可扩展索引与检索

Jialiang Geng, Ghazal Alabtah, Saghir Alfasly, Wataru Uegami, H. R. Tizhoosh

机构 * KIMIA Lab Dept. of Artificial Intelligence & Informatics（KIMIA实验室 人工智能与信息学系） 纠错

专题命中 病理影像 ：clinical AI(abstract)；pathology(abstract)

AI总结 提出ARReST框架，通过识别并剪除跨类别判别贡献小的对立块，在保持检索精度的同时显著压缩WSI索引存储（3%-60%），实现可扩展、低成本的病理图像检索。

LUNG-KGMM: Knowledge-Guided Multimodal Learning for Lung Cancer Incidence Prediction

LUNG-KGMM：用于肺癌发病预测的知识引导多模态学习

Chunlei Yang, Shuyan Li, Zhong Cao

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

AI总结 本研究提出LUNG-KGMM知识引导多模态框架，整合多类数据与临床知识开展1-6年肺癌发病预测，经MIMIC及厦门队列验证，其性能优于现有方法且具备跨队列可迁移性。

Comments 22 pages, 4 figures, 7 tables, accepted by PRCV Oral

Journal ref The 9th Chinese Conference on Pattern Recognition and Computer Vision, PRCV2026

Gradient-Based Latent Decomposition Reveals Mechanisms of Feature Degradation in Weakly Supervised Mammography

基于梯度的潜在分解揭示了弱监督乳腺钼靶成像中特征退化的机制

Vinceline Bertrand, Ionut Cardei

机构 * Florida Atlantic University（佛罗里达大西洋大学） 纠错

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

AI总结 研究弱监督乳腺钼靶成像中特征退化问题，引入基于梯度的正交潜在分解用于分层变分自编码器，划分潜在空间，通过实验得出模型相关指标，经潜在消融等验证，揭示高维空间中粗监督信号对细粒度特征的影响。

Spectral-Aware Analytic Class-Incremental Learning for Long-Tailed Distributions

用于长尾分布的频谱感知分析类增量学习

Quyen Tran, Hai Nguyen, Quan Dao, Zhuowei Li, Nam Le, Trung Le, Dimitris Metaxas

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

AI总结 研究针对长尾分布的类增量学习问题，提出几何频谱校正（GSR）框架，将其视为频谱正则化问题，构造频谱扰动矩阵有选择地增大尾部类坍缩特征值，实验表明该方法在计算效率和鲁棒泛化间取得更好权衡，达新最优水平。

Comments ECCV 2026

Slide-Level Active Learning Reduces Annotation Burden in H&E images

滑动级主动学习减轻苏木精-伊红染色图像的标注负担

Mahsa Vali, Zhilong Weng, Noémie Moreaua, Yuri Tolkach, Katarzyna Bozek

机构 * Institute for Biomedical Informatics, Faculty of Medicine（生物医学信息学研究所，医学学院） ； University Hospital Cologne, University of Cologne（科隆大学医院，科隆大学） ； Center for Molecular Medicine Cologne (CMMC), Faculty of Medicine（科隆分子医学中心（CMMC），医学学院） ； Cologne Excellence Cluster on Cellular Stress Responses in Aging-Associated Diseases (CECAD), University of Cologne（科隆卓越集群：与衰老相关疾病细胞应激反应（CECAD），科隆大学） ； Faculty of Mathematics（数学学院） ； Natural Sciences, University of Cologne（自然科学学院，科隆大学） ； Institute of Pathology, University Hospital Cologne（病理学研究所，科隆大学医院） 纠错

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

AI总结 研究针对深度学习分割组织病理学全切片图像标注成本高问题，提出SHAL框架，集成前景感知、阶段自适应、类别感知策略，在TCGA数据集及五个外部队列实验中表现出色，降低标注成本且保持跨域泛化能力。

ProsMAE: Multi-Source MAE Pretraining for ISUP Grade Classification

ProsMAE：用于ISUP分级分类的多源MAE预训练

Anna Jung, Kyeonghun Kim, Youngung Han, Eunseob Choi, Jiwon Yang, Ken Ying-Kai Liao, Hyuk-Jae Lee, Nam-Joon Kim

机构 * Seoul National University（首尔国立大学） ； GIST（韩国科学技术院） ； NVIDIA（英伟达） 纠错

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

AI总结 针对全切片图像模型训练难题，提出多源MAE框架ProsMAE，利用多数据集切片预训练编码器，通过ProsCLS用于ISUP分级分类，在不相交PANDA分割下比普通MAE冻结线性探针基线有更高QWK。

Comments Accepted to APCCAS 2026

Compass: Prostate Cancer Detection Needs Multi-View Context

Compass：前列腺癌检测需要多视图上下文

Paul F. R. Wilson, Mohamed Harmanani, Zhuoxin Guo, Obed K. Dzikunu, Hannes Cash, Adam Kinnaird, Brian Wodlinger, Purang Abolmaesumi, Parvin Mousavi

机构 * Queen’s University（女王大学） ； University of British Columbia（英属哥伦比亚大学） ； Otto von Guericke University Magdeburg（马格德堡奥托·冯·格里克大学） ； University of Alberta（阿尔伯塔大学） ； Exact Imaging（精准成像公司） ； Vector Institute（向量研究所） 纠错

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

AI总结 研究针对前列腺癌检测，提出Compass方法，整合多视图信息，通过基于探头旋转角度的变压器聚合证据，经多中心数据集训练评估，性能强大，凸显多视图上下文价值，为PCa诊断提供有力工具。

Comments MICCAI 2026

The Good, the Bad, and the Brittle: Benchmarking Robustness and Generalisation of Histopathology Foundation Models

好的、坏的和脆弱的：病理基础模型的稳健性和泛化基准测试

Dhyey Yajnik, Amina Asif, Fayyaz Minhas

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

AI总结 用REET工具和NR-Kfold协议对12个病理基础模型及ResNet基线进行基准测试，引入PPI分析，表明病理基础模型在稳健性和泛化上优于CNNs，模型扩展收益递减，强调需评估分布变化。

MSNN-LINet: Cross-Modal Learning via Continuous Linear Integration

MSNN-LINet：通过连续线性集成进行跨模态学习

Gabriel Clinger

机构 * The George Washington University（乔治华盛顿大学） 纠错

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

AI总结 提出线性集成网络LINet，通过连续线性集成卷积操作实现RGB-D场景分类中的逐层跨模态学习，解决多模态融合的结构性妥协问题，并在SUN RGB-D数据集上取得领先结果。

Comments 14 pages, 6 figures, 3 tables

Semantic-Anchored Evidential Fusion for Domain-Robust Whole-Slide Survival Analysis

语义锚定证据融合用于域鲁棒的全切片生存分析

Yucheng Xing, Ling Huang, Pei Liu, Jingying Ma, Jiaqing Xu, Kai He, Mengling Feng

机构 * National University of Singapore（新加坡国立大学） ； Imperial College London（帝国理工学院） ； Hunan University（湖南大学） 纠错

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

AI总结 提出SAEFS框架，通过视觉问答提取语义锚点，结合双流证据提取和狄利克雷主观逻辑建模不确定性，实现跨域零样本生存分析，平均C-index提升10.2%。

STREAM: Stochastic Riemannian Flow Matching with Anisotropic Decoder for Digital Histopathology Image Generation

STREAM: 用于数字组织病理学图像生成的随机黎曼流匹配与各向异性解码器

Won June Cho, Daeky Jeong, Hyeongyeol Lim, Hongjun Yoon

机构 * DEEPNOID Inc.（DEEPNOID公司） 纠错

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

AI总结 提出STREAM框架，利用组织病理学视觉基础模型的patch-token特征作为潜在空间，通过黎曼流匹配生成高质量组织病理学图像，解决条件崩溃问题，并设计各向异性解码器提升生成质量。

Comments 27 pages, 7 figures

LRMIL: Efficient Low-Resolution Multiple Instance Learning via High-Resolution Knowledge Distillation for Whole Slide Image Classification

LRMIL: 通过高分辨率知识蒸馏实现全切片图像分类的高效低分辨率多实例学习

Yonghan Shin, Won-Ki Jeong

机构 * Department of Computer Science and Engineering, Korea University, Seoul, Korea（韩国大学计算机科学与工程系） 纠错

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

AI总结 提出LRMIL框架，通过两阶段知识蒸馏将高分辨率知识迁移到低分辨率表示，在推理时仅使用低分辨率图像块，显著降低计算成本并提升分类性能。

An unsupervised clustering analysis of breast cancer data derived from electronic health records enhanced through UMAP dimensionality reduction

通过UMAP降维增强的电子健康记录中乳腺癌数据的无监督聚类分析

Davide Chicco, Nicoletta Benvenuto

机构 * Dipartimento di Informatica Sistemistica e Comunicazione, Università di Milano-Bicocca（信息系统与通信系，米兰比可卡大学） ； Institute of Health Policy Management and Evaluation, University of Toronto（卫生政策管理与评估研究所，多伦多大学） 纠错

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

AI总结 研究利用电子健康记录中的乳腺癌数据，先采用DBSCAN密度聚类法，又通过UMAP降维增强效果，用三个统计指标评估聚类结果，证实了UMAP与DBSCAN结合用于该数据聚类的有效性，为医学解读患者组提供了支持。

Comments Accepted at the CIBB 2026 conference ( https://cibb2026.teralab.ai/ )