医学 AI

Beyond Relevance: Bayesian Evidence Acquisition for Agentic Whole-Slide Image Reasoning

超越相关性：面向智能体的全切片图像推理的贝叶斯证据获取

Bryan Wong, Xun Xu, Huazhu Fu, Nancy F. Chen, Mun Yong Yi

机构 * A*STAR（新加坡科技研究局） 纠错

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

AI总结 本研究提出BEACON框架，将WSI推理建模为贝叶斯证据获取问题，通过最大化预期信息增益减少诊断不确定性，在五个WSI-VQA基准的零样本实验中，其性能优于同类无训练智能体框架，提升了证据获取效率。

Agentic self-driving microscopy benchmarks support qualification but do not necessarily generalize to unseen tasks

智能体自动驾驶显微镜基准测试支持性能验证，但不一定能泛化到未见任务

Nathan S Johnson, Ian Abshire

机构 * Carl Zeiss Research Microscopy Solutions（卡尔蔡司研究显微镜解决方案） 纠错

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

AI总结 本研究开发基准框架评估显微镜智能体架构等因素的性能，发现其虽可用于验证比较，但现有基准无法预测智能体在未见显微镜任务上的表现。

Comments 20 pages, 8 figures

Assessment of Conditional Diffusion Model for Synthetic Histopathology Image Generation

用于合成组织病理学图像生成的条件扩散模型评估

Seyed Kahaki, Shijie Li, Weijie Chen, Nicholas Petrick

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

AI总结 本研究针对合成组织病理学图像生成的评估问题，提出基于数字病理学预训练基础模型改进的FID、IS及精确率-召回率指标，实验发现改进后的IS与下游细胞核分割性能相关性更高，且生成数据多样性对分割性能的提升作用强于单张图像视觉保真度。

Comments 11 pages, 3 figures

CIGTSurv: Clinical Information Guided Tri-modal Survival Prediction with Local Prototype Association and Global Feature Alignment

CIGTSurv：结合局部原型关联与全局特征对齐的临床信息引导三模态生存预测

Jing Dai, Qibin Zhang, Weiwei Zhou, Mingde Xu, Jingsong Liu, Jingdong Zhang, Hongming Xu

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

AI总结 本研究针对临床信息未充分利用及多模态异质性问题，提出CIGTSurv框架，结合局部原型关联与全局特征对齐机制，在五个TCGA癌症队列上取得生存预测SOTA性能。

Comments Accepted at MICCAI 2026

The Dark Room in the Reward Channel: Dense Prediction Rewards Collapse GRPO-Trained LLM Agents -- and The Channel, Not the Content, Decides What Works

奖励通道中的暗室：密集预测奖励使GRPO训练的大语言模型智能体崩溃——以及实际有效的方法

Yu Wang

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

AI总结 研究发现密集预测奖励在GRPO训练下会使大语言模型智能体崩溃，通过单因素消融定位原因，提出方差分布标准，还通过受控信号传递矩阵对比奖励通道和辅助损失通道，表明奖励通道至多中性，辅助损失通道有优势。

Critical attention scaling in long-context transformers

长上下文Transformer中的关键注意力缩放

Shi Chen, Zhengjiang Lin, Yury Polyanskiy, Philippe Rigollet

机构 * Department of Mathematics, Massachusetts Institute of Technology（数学系，麻省理工学院） ； Department of Electrical Engineering and Computer Science, Massachusetts Institute of Technology（电气工程与计算机科学系，麻省理工学院） 纠错

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

AI总结 该研究针对长上下文Transformer的注意力秩崩溃问题，通过分析简化模型确定关键缩放因子$\beta_n \backsim \text{log} n$，为YaRN和Qwen的注意力缩放提供理论依据，阐明对数缩放可维持长上下文下的稀疏内容自适应注意力。

Comments 31 pages, 2 figures

Journal ref Proceedings of the Fourteenth International Conference on Learning Representations (ICLR 2026), 2026

Embodiment-Induced Coordination Regimes in Tabular Multi-Agent Q-Learning

体感诱导的表格多智能体Q学习协调模式

Muhammad Ahmed Atif, Nehal Naeem Haji, Mohammad Shahid Shaikh, Muhammad Ebad Atif

机构 * Dhanani School of Science and Engineering（丹尼尼科学与工程学院） 纠错

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

AI总结 该研究通过表格化网格世界验证集中价值学习在多智能体Q学习中的协调效果，发现其在不同运动模式和角色下效果不一，协调性可能因体感限制而成为负担。

Adaptive Identity Anchoring: Closed-Loop Keyframe Placement for Synthetic Paired Supervision in Video Face Swapping

自适应身份锚定：用于视频人脸交换中合成配对监督的闭环关键帧放置

Logan Robbins

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

AI总结 研究视频人脸交换缺乏自然配对监督问题，提出自适应身份锚定（AIA）方法，通过闭环反馈放置锚定并结合现实参考纹理恢复，还给出可证伪实验，有望解决合成身份漂移及过度平滑皮肤问题。

The PAR dataset: Prostate biopsy whole slide images from an underrepresented Middle Eastern population

PAR数据集：来自中东代表性不足人群的前列腺活检全切片图像

Peshawa J. Muhammad Ali, Navin Vincent, Saman S. Abdulla, Han N. Mohammed Fadhl, Anders Blilie, Kelvin Szolnoky, Julia Anna Mielcarz, Xiaoyi Ji, Kimmo Kartasalo, Abdulbasit K. Al-Talabani, Nita Mulliqi

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

AI总结 针对公开组织病理学数据集稀缺且多为西方人群数据，导致中东等地区人群人工智能模型通用性未知的问题，公开PAR数据集，包含伊拉克185例患者的前列腺穿刺活检全切片图像，可用于多种分析评估，支持全球不同人群病理学人工智能模型开发验证。

Comments 13 pages, 2 figures and 1 table

SWITi: Quantifying and Reducing Tiling Artifacts with Sliding Window Inner Tiling

SWITi：使用滑动窗口内平铺量化和减少平铺伪影

Federico Carrara, Aman Kukde, Melisande Croft, Joran Deschamps, Florian Jug

机构 * Fondazione Human Technopole（人类技术基金会） ； Università Campus Bio-Medico（校园生物医学大学） 纠错

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

AI总结 研究针对大图像数据平铺预测产生的伪影问题，提出SWITi方法，通过平均重叠滑动窗口预测减少伪影，引入FRT和ASV指标量化检测伪影，在荧光显微镜数据集模型上验证该方法可减弱拼接缝、提升重建效果，利于生物医学大图像预测下游处理。

Autonomous mechanistic discovery of colorectal cancer vulnerabilities via multi-scale AI swarms

通过多尺度人工智能群体自主进行结直肠癌脆弱性的机制发现

Christopher Baker, Tianyu Ren, Karen Rafferty, Hui Wang, Simon McDade

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

AI总结 研究旨在解决自动化科学发现中语言模型与生物物理的认知差距。通过多尺度自主发现引擎Octopus，结合大语言模型群体和算法物理引擎，针对结直肠癌转录组进行无监督扫描，发现IGF2是5-氟尿嘧啶耐药脆弱性，建立了可验证的生物医学发现范式。

Benchmarking Machine Learning Models for Multi-Omics-Based Breast Cancer Prediction

基于多组学的乳腺癌预测机器学习模型基准测试

Priyanka Paudel, Madan Baduwal

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

AI总结 研究针对基于多组学数据预测乳腺癌雌激素受体（ER）状态，对随机森林等经典机器学习模型进行基准测试，采用严格实验框架，结果显示RNA表达预测信号最强，多组学整合有改进，随机森林性能最佳，还选出相关基因支持模型有效性。

Markovian Continuity of the MMSE

MMSE的马尔可夫连续性

Elad Domanovitz, Anatoly Khina

专题命中 病理影像 ：pathology(abstract)；分类 eess.SP

AI总结 研究MMSE在标准随机收敛概念下可能不连续的问题，基于实际采集机制，在二阶矩连续性和退化（马尔可夫）限制两个自然约束下，建立MMSE及其估计器的连续性，还给出相关结果及扩展到其他函数族。

Comments This work has been submitted to the IEEE for possible publication

Marker-free deformable registration and fusion for augmented reality-guided positive margin localization during tumor resection surgery

用于肿瘤切除手术中增强现实引导的阳性切缘定位的无标记可变形配准与融合

Yue Yang, Annie Benson, Matthieu Chabanas, Jason Slagle, Thomas Myles, Matthew B. Weinger, Jon S. Heiselman, Michael I. Miga, Michael Topf, Jie Ying Wu

机构 * Vanderbilt University（范德堡大学） ； Vanderbilt University Medical Center（范德堡大学医学中心） 纠错

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

AI总结 研究针对头颈部肿瘤手术中阳性切缘定位难题，提出无标记增强现实工作流程，结合多种技术实现标本扫描到切除床的映射，经实验验证该方法能有效降低定位误差，支持更精确肿瘤切除。

Evaluating Vision Foundation Models for Pixel and Object Classification in Microscopy

评估显微镜中用于像素和物体分类的视觉基础模型

Carolin Teuber, Anwai Archit, Tobias Boothe, Peter Ditte, Jochen Rink, Constantin Pape

机构 * Georg-August-University Göttingen, Institute of Computer Science Department of Tissue Dynamics ； Regeneration, Max Planck Institute for Multidisciplinary Sciences, Göttingen Georg-August-University Göttingen, Faculty of Biology ； Psychology CAIMed - Lower Saxony Center for AI \& Causal Methods in Medicine, Göttingen Cluster of Excellence Multiscale Bioimaging (MBExC), Georg-August-University Göttingen 纠错

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

AI总结 本文评估了视觉基础模型在显微镜像素和物体分类中的应用，探讨了其在提升分类性能方面的潜力，并建立了相关基准。

CGRL: Concept-Guided Pruning and Representation Learning for Whole-Slide Image Classification

CGRL：用于全切片图像分类的概念引导剪枝与表示学习

Thuc Huynh, Tuan Le, Doanh C. Bui

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

AI总结 针对弱监督全切片图像分类中现有方法问题，提出CGRL框架，通过概念相关剪枝和概念引导对比表示学习，在TCGA - BRCA和TCGA - NSCLC数据集上评估，提升了模型性能并降低计算成本，证明类级语义概念的有效性。

Comments 6 pages, 2 figures. Accepted at MAPR 2026. Code: https://github.com/ThucHuynh44/CGRL

Demonstration of the common dual-channel feature decoupling characteristic of front-door mediation causal inference methods in whole-slice image classification

前门中介因果推理方法在全切片图像分类中的通用双通道特征解耦特性证明

Zhirui Zhang, Tianhang Nan, Yong Ding, Zhuolun Song, Dayu Hu, Xiaoyu Cui

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

AI总结 研究在全切片图像分类中，提出并证明关于因果推理MIL的两个假设，即引入独立分类通道及增加通道特征差异可消除错误关联，通过在相关数据集上评估几种因果推理MIL，为因果推理应用于WSI分析提供新视角。

Comments The manuscript is being submitted for publication to a journal

From Geometric Recovery to Causal Validation: A Reproducible Audit of Sparse Autoencoder Features, from Superposition Geometry to Causal Inertness

从几何恢复到因果验证：对稀疏自编码器特征的可重复审计，从叠加几何到因果惰性

Mohamed Abdessalem Bal

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

AI总结 研究聚焦于稀疏自编码器特征，通过重现相关实验发现现有评估混淆不同主张。提出sae - 因果审计工具，发现大量特征存在因果惰性，重新审计细化惰性分类，应用该工具于生产SAE揭示原子碰撞信号。

Comments 21 pages, 8 figures, 6 tables. Code and reproduction pipeline: https://github.com/mohamed-bal/sae-causal-audit

Diagnosing and Mitigating Thinking Collapse in On-Policy Self-Distillation

诊断和缓解基于策略的自蒸馏中的思维崩溃

Keqin Peng, Chen Li, Yuanxin Ouyang, Yancheng Yuan, Liang Ding

机构 * Beihang University（北京航空航天大学） ； Hong Kong Polytechnic University（香港理工大学） ； Alibaba Group（阿里巴巴集团） 纠错

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

AI总结 研究基于策略的自蒸馏在复杂推理任务中性能下降问题，发现思维崩溃陷阱。提出自适应双视角OPSD，通过动态调节自蒸馏目标缓解该问题，在多模型规模和数据集上实验验证其有效性，提升绝对平均准确率4.1%。

Continual Model Merging with Test-Time Adaptation for Whole-Slide Image Analysis

用于全切片图像分析的带测试时自适应的连续模型合并

Duc-Thanh Le, Doanh C. Bui, Maï K. Nguyen, Khang Nguyen

机构 * University of Information Technology（信息技术大学） ； Viet Nam National University Ho Chi Minh City（胡志明市越南国立大学） ； ETIS (UMR 8051), CY Cergy Paris University, ENSEA, CNRS, France（法国赛尔齐巴黎大学、ENSEA、法国国家科学研究中心的ETIS（UMR 8051）） 纠错

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

AI总结 研究通过整合独立微调模型进行连续模型合并，利用测试时自适应调整合并变量，在全切片图像分类中评估该方法，对比传统连续学习方法，发现其有优势但性能受任务顺序等影响。

Comments 11 pages, 4 tables, 2 figures

MergeSurv: Merging-Based Continual Learning for Survival Analysis on Whole-Slide Images

MergeSurv：用于全切片图像生存分析的基于合并的持续学习

Vu Minh Tran, Doanh C. Bui, Maï K. Nguyen, Khang Nguyen

机构 * University of Information Technology（信息技术大学） ； Viet Nam National University Ho Chi Minh City（胡志明市越南国立大学） ； ETIS (UMR 8051), CY Cergy Paris University, ENSEA, CNRS, France（法国CY Cergy巴黎大学、ENSEA、法国国家科学研究中心联合建立的ETIS实验室（UMR 8051）） 纠错

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

AI总结 研究针对全切片图像生存分析，提出MergeSurv框架，独立微调病理视觉语言基础模型参数后合并，还探究两种推理策略，实验表明其优于其他方法且能减少灾难性遗忘。

Comments 10 pages, 2 figures, 1 table

CaresAI at SMM4H-HeaRD 2026: Predicting TNM Staging

CaresAI在SMM4H-HeaRD 2026中的应用：预测TNM分期

Joseph Itopa Abubakar, Jorge Jarme, Favour Igwezeke, Mary Adewunmi

机构 * CaresAI（关爱人工智能） ； Ateneo De Naga University（那牙雅典耀大学） ； Faculty of Pharmaceutical Sciences, Nsukka, Enugu, Nigeria（尼日利亚埃努古州恩苏卡药学院） ； Menzies School of Health Research（孟席斯健康研究学院） 纠错

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

AI总结 该研究以癌症基因组图谱病理报告为基础，将预测TNM分期问题转化为多标签分类任务，探索经典和深度学习方法，结果显示组合嵌入能提升预测能力，虽有局限但提供了基线模型和可重复流程。

Journal ref Association for Computational Linguistics 2026

On Variance Reduction in Learning Mean Flows

在学习均值流中的方差缩减

Juanwu Lu, Ziran Wang

机构 * Purdue University（普渡大学） 纠错

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

AI总结 本文通过理论分析揭示了均值流训练中损失非递减和梯度方差无界的问题根源，提出最优系数的闭式解，并在基准和Diffusion Transformer上验证了其提升样本质量和FID趋势的效果。

Comments 27 pages, 8 figures, 8 tables. Added supplementary experiment: independent validation of the small-bias regime, to break the circularity in bias estimation

CellDETR: A Detection-Guided Framework for Scalable Cell Representation Learning from Histopathology Images

CellDETR: 一种面向组织病理学图像的可扩展细胞表示学习的检测引导框架

Shikang Zhang, Guojun Li, Yicong Mao, Chulin Sha

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

AI总结 提出基于Deformable DETR的检测引导框架CellDETR，通过位置特征解耦和框约束注意力机制实现可扩展的细胞表示学习，在细胞分类任务上超越现有方法，并支持无标签数据的预训练和跨数据集迁移。

Comments 12pages, 5 figures

Mitigating Batch Effects in Histopathology via Language-Mediated Robust Embedding Generation

通过语言介导的鲁棒嵌入生成减轻组织病理学中的批次效应

Yishu Zhang, Shushan Wu, Zhenzhong Zhang, Didong Li, Huaxiu Yao, Yun Li, Iain Carmichael, Katherine A. Hoadley, Hongtu Zhu, Di Wu, Daiwei Zhang

机构 * University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校） 纠错

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

AI总结 提出GLMP框架，利用通用多模态大语言模型将组织学图像转化为文本表示，再生成数值嵌入，有效抑制批次效应，提升跨机构泛化能力。

Predicting Metastatic Risk from Primary Tissue Architecture via Distance-Aware Spatial Modeling

通过距离感知空间建模从原发组织架构预测转移风险

Sandesh Pokhrel, Hamid Manoochehri, Bodong Zhang, Beatrice S Knudsen, Tolga Tasdizen

机构 * Department of Electrical and Computer Engineering, University of Utah（犹他大学电气与计算机工程系） ； Scientific Computing and Imaging Institute, University of Utah（犹他大学科学计算与成像研究所） ； Department of Pathology, University of Utah（犹他大学病理学系） 纠错

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

AI总结 提出DTMf-MIL方法，通过符号距离函数显式建模肿瘤微环境的空间几何结构，在转移风险预测任务上显著优于忽略空间布局的现有方法。

Parameter-Efficient Continuous-Variable Photonic Quantum Neural Networks for Edge Quantum AI: Demonstration in Oral Cancer Detection

参数高效的连续变量光子量子神经网络用于边缘量子AI：在口腔癌检测中的演示

Akshay Bhagwan Sonawane, Sophie Choe, Lakshman Tamil

机构 * Dept. of Electrical and Computer Engineering（电气与计算机工程系） 纠错

专题命中 病理影像 ：medical image(abstract)；分类 cs.LG

AI总结 提出一种简化的连续变量光子量子神经网络架构，在口腔癌检测中仅用18个参数达到100%测试准确率，比经典基线少67%参数，并缓解了贫瘠高原问题。

An Analysis of Posterior Collapse, Parameterization and Initialization in Variational Deep Gaussian Processes

变分深度高斯过程中的后验坍缩、参数化和初始化分析

Francisco Javier Sáez-Maldonado, Juan Maroñas, Daniel Hernández-Lobato

机构 * Department of Computer Science and Artificial Intelligence（计算机科学与人工智能系） ； Universidad de Granada（格拉纳达大学） ； Department of Quantitative Methods（定量方法系） ； CUNEF Universidad Madrid, Spain（CUNEF马德里大学, 西班牙） ； Department of Computer Science and Centro de Investigación Avanzada en Física Fundamental（计算机科学系和先进物理基础研究中心） ； Universidad Autónoma de Madrid（马德里自治大学） 纠错

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

AI总结 研究变分深度高斯过程的后验坍缩问题，发现线性先验均值函数的优势源于改善初始化时的优化条件，提出零先验均值的替代初始化方法，避免后验坍缩并提升稳定性。

Comments Submitted to the Journal of Machine Learning Research

Do Foundation Models See Biology? Evaluating Attention Coherence with Spatial Transcriptomics in Glioblastoma

基础模型是否理解生物学？利用空间转录组学评估胶质母细胞瘤中的注意力一致性

Dilakshan Srikanthan, Amoon Jamzad, Paul Wilson, Nooshin Maghsoodi, Robert Policelli, Gabor Fichtinger, John F. Rudan, Parvin Mousavi

机构 * Translational Medicine, School of Medicine, Queen’s University, Kingston, ON, Canada（转化医学、医学院、皇后大学、金斯顿，ON，加拿大） ； School of Computing, Queen’s University, Kingston, ON, Canada（计算学院、皇后大学、金斯顿，ON，加拿大） ； Department of Surgery, Queen’s University, Kingston, ON, Canada（外科部门、皇后大学、金斯顿，ON，加拿大） 纠错

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

AI总结 提出基于空间转录组学的框架，客观评估病理基础模型注意力图与生物学的一致性，发现注意力捕捉多基因转录程序而非单个分子事件。

Escaping the Variance Trap: Jacobian-Free Dynamics for Root-Finding Bilevel Optimization

逃离方差陷阱：用于求根双层优化的无雅可比动力学

Zhiyu Li, Xi Xuan, Davide Carbone

机构 * University of Science and Technology of China（中国科学技术大学） ； City University of Hong Kong（香港城市大学） ； Laboratoire de Physique de l’École Normale Supérieure, Université PSL, CNRS, Sorbonne Université, Université de Paris（巴黎高等师范学院物理实验室，PSL大学，法国国家科学研究中心，索邦大学，巴黎大学） 纠错

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

AI总结 提出求根双层优化（RF-BO）框架，采用无雅可比的两时间尺度随机逼近（TTSA）方法，避免方差放大，并提供非渐近收敛保证，在多个任务中显著优于基线。