医学 AI

Composed Vision-Language Retrieval for Skin Cancer Case Search via Joint Alignment of Global and Local Representations

基于全局与局部表示联合对齐的皮肤癌病例检索视觉-语言检索

Yuheng Wang, Yuji Lin, Jiayue Cai, Z. Jane Wang, Tim K. Lee

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

AI总结 本文提出一种基于Transformer的框架，通过联合对齐全局和局部表示，提升皮肤癌病例检索的准确性和效率，实验表明在Derm7pt数据集上优于现有方法。

DB-FGA-Net: Dual Backbone Frequency Gated Attention Network for Multi-Class Brain Tumor Classification with Grad-CAM Interpretability

DB-FGA-Net：双主干频率门控注意力网络用于具有Grad-CAM可解释性的多类脑肿瘤分类

Saraf Anzum Shreya, MD. Abu Ismail Siddique, Sharaf Tasnim

机构 * Dept. of Electronics and Telecommunication Engineering, Rajshahi University of Engineering and Technology（电子与电信工程系，拉贾沙希工程与技术大学） 纠错

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

AI总结 本文提出一种双主干网络，结合VGG16和Xception，通过频率门控注意力模块捕捉局部和全局特征，实现无需数据增强的高准确率分类，并通过Grad-CAM可视化提升临床可解释性。

Comments 25 pages, 14 figures, 13 tables

Multi-Task LLM with LoRA Fine-Tuning for Automated Cancer Staging and Biomarker Extraction

多任务LLM结合LoRA微调用于自动癌症分期和生物标志物提取

Jiahao Shao, Anam Nawaz Khan, Christopher Brett, Tom Berg, Xueping Li, Bing Yao

机构 * Department of Industrial & Systems Engineering, The University of Tennessee, Knoxville（工业与系统工程系，田纳西大学， Knoxville） 纠错

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

AI总结 本文提出一种参数高效、多任务框架，利用LoRA微调LLM实现乳腺癌TNM分期、组织学分级和生物标志物的自动化提取，实验显示其在宏F1分数上达到0.976，优于传统方法。

Comments 11 pages, 3 figures and 4 tables in the main manuscript. Additional content, figures and tables are in supplementary material section. 17 pages in total

PC-MIL: Decoupling Feature Resolution from Supervision Scale in Whole-Slide Learning

PC-MIL：在全片学习中解耦特征分辨率与监督尺度

Syed Fahim Ahmed, Gnanesh Rasineni, Florian Koehler, Abu Zahid Bin Aziz, Mei Wang, Attila Gyulassy, Brian Summa, J. Quincy Brown, Valerio Pascucci, Shireen Y. Elhabian

机构 * Kahlert School of Computing, University of Utah, Salt Lake City, UT 84112, USA Scientific Computing \& Imaging Institute, University of Utah, Salt Lake City, UT 84112, USA Instapath Inc., Houston, TX 77021, USA Tulane University, Department of Biomedical Engineering, New Orleans, Louisiana, USA 纠错

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

AI总结 PC-MIL通过解耦特征分辨率与监督尺度，提升全片学习中对解剖结构的建模能力，实现跨上下文的泛化性能提升。

Comments 11 pages, 2 figures, 2 tables. Under review at MICCAI 2026

AdvDINO: Domain-Adversarial Self-Supervised Representation Learning for Spatial Proteomics

AdvDINO：用于空间蛋白质组学的领域对抗自监督表示学习

Stella Su, Marc Harary, Scott J. Rodig, William Lotter

机构 * Dana-Farber Cancer Institute（丹娜-法伯癌症研究所） ； Brigham and Women’s Hospital（布里格姆妇女医院） ； Harvard Medical School（哈佛医学院） 纠错

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

AI总结 AdvDINO通过整合梯度反转层提升DINOv2架构，以对抗领域偏移，从而在空间蛋白质组学中获得更稳健的表示。

Comments Proceedings of the Medical Imaging with Deep Learning (MIDL) Conference 2026

On the Global Photometric Alignment for Low-Level Vision

关于低级视觉的全局光度对齐

Mingjia Li, Tianle Du, Hainuo Wang, Qiming Hu, Xiaojie Guo

机构 * Tianjin University（天津大学） 纠错

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

AI总结 本文提出Photometric Alignment Loss，通过闭式仿射颜色对齐减少光度差异，提升多任务和多数据集的性能。

PRIME: Prototype-Driven Multimodal Pretraining for Cancer Prognosis with Missing Modalities

PRIME：面向癌症预后分析的原型驱动多模态预训练方法，适用于缺失模态

Kai Yu, Shuang Zhou, Yiran Song, Zaifu Zhan, Jie Peng, Kaixiong Zhou, Tianlong Chen, Feng Xie, Meng Wang, Huazhu Fu, Mingquan Lin, Rui Zhang

机构 * University of Minnesota（明尼苏达大学） ； University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校） ； North Carolina State University（北卡罗来纳州立大学） ； National University of Singapore（新加坡国立大学） ； Institute of High Performance Computing, Agency for Science, Technology and Research（高性能计算研究所，新加坡科技研究局） 纠错

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

AI总结 PRIME通过原型记忆银行实现缺失模态下的多模态自监督预训练，提升在碎片化临床数据中的预测性能，实现结构对齐和鲁棒性提升。

Territory Paint Wars: Diagnosing and Mitigating Failure Modes in Competitive Multi-Agent PPO

领土绘画之战：在竞争性多智能体PPO中的故障诊断与缓解

Diyansha Singh

机构 * Independent Researcher（独立研究者） 纠错

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

AI总结 本文提出Territory Paint Wars环境，研究PPO在自博弈中的失败模式，发现五个实现层面问题，并通过对手混合缓解竞争过拟合，恢复泛化性能。

Comments 16 pages, 5 figures

Maximizing T2-Only Prostate Cancer Localization from Expected Diffusion Weighted Imaging

从预期扩散加权成像最大化T2-only前列腺癌定位

Weixi Yi, Yipei Wang, Wen Yan, Hanyuan Zhang, Natasha Thorley, Alexander Ng, Shonit Punwani, Fernando Bianco, Mark Emberton, Veeru Kasivisvanathan, Dean C. Barratt, Shaheer U. Saeed, Yipeng Hu

机构 * UCL Hawkes Institute and the Department of Medical Physics and Biomedical Engineering, University College London（伦敦大学学院霍克斯研究所与医学物理与生物医学工程系） ； Centre for Bioengineering, School of Engineering and Materials Science and Digital Environment Research Institute, Queen Mary University of London（伦敦玛丽女王大学工程与材料科学学院生物工程中心与数字环境研究所） ； Centre for Medical Imaging, University College London（伦敦大学学院医学影像中心） ； Division of Surgery & Interventional Science, University College London（伦敦大学学院外科与介入科学部） ； Urological Research Network（泌尿研究网络） 纠错

专题命中 病理影像 ：MRI(abstract)；分类 cs.CV

AI总结 本文提出利用T2加权图像和生成模型进行前列腺癌定位，通过期望最大化算法提升定位性能，相比传统方法在患者和区域层面表现更优。

Multimodal classification of Radiation-Induced Contrast Enhancements and tumor recurrence using deep learning

基于深度学习的多模态放射性对比增强和肿瘤复发分类

Robin Peretzke, Marlin Hanstein, Maximilian Fischer, Lars Badhi Wessel, Obada Alhalabi, Sebastian Regnery, Andreas Kudak, Maximilian Deng, Tanja Eichkorn, Philipp Hoegen Saßmannshausen, Fabian Allmendinger, Jan-Hendrik Bolten, Philipp Schröter, Christine Jungk, Jürgen Peter Debus, Peter Neher, Laila König, Klaus Maier-Hein

机构 * Deutsches Krebsforschungszentrum (DKFZ)（德国癌症研究中心） ； Heidelberg University（海德堡大学） ； Heidelberg University Hospital（海德堡大学医院） ； Research Campus M2OLIE（M2OLIE研究园区） ； German Cancer Consortium (DKTK)（德国癌症联盟） ； Universitätsklinikum Heidelberg（海德堡大学医院） ； Heidelberger Institut für Radioonkologie (HIRO)（海德堡放射肿瘤学研究所） ； National Center for Tumor Diseases (NCT)（国家肿瘤疾病中心） ； Heidelberger Ionenstrahl-Therapiezentrum (HIT)（海德堡离子束治疗中心） ； Universitätsklinikum Heidelberg, Neurochirurgie（海德堡大学医院神经外科） 纠错

专题命中 病理影像 ：MRI(abstract)；分类 cs.CV

AI总结 本文提出RICE-NET模型，利用纵向MRI数据与放疗剂量分布，通过常规T1加权MRI实现自动病变分类，实验显示在92名患者中达到0.92的F1分数，证明多模态深度学习在神经肿瘤学中的诊断潜力。

Improving Fine-Grained Rice Leaf Disease Detection via Angular-Compactness Dual Loss Learning

通过角度-紧致双损失学习提升水稻叶片疾病细粒度检测

Md. Rokon Mia, Rakib Hossain Sajib, Abdullah Al Noman, Abir Ahmed, B M Taslimul Haque

机构 * Begum Rokeya University, Rangpur（贝古姆·罗基亚大学，朗布尔） ； Wilmington University（威尔明顿大学） ； Washington University of Science and Technology（华盛顿科学与技术大学） ； Central Michigan University（中密歇根大学） 纠错

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

AI总结 本文提出结合中心损失与ArcFace损失的双损失框架，提升水稻叶片疾病细粒度分类性能，采用三种先进主干网络在公开数据集上取得高准确率。

MLLM-HWSI: A Multimodal Large Language Model for Hierarchical Whole Slide Image Understanding

MLLM-HWSI: 一种用于分层全滑动图像理解的多模态大语言模型

Basit Alawode, Arif Mahmood, Muaz Khalifa Al-Radi, Shahad Albastaki, Asim Khan, Muhammad Bilal, Moshira Ali Abdalla, Mohammed Bennamoun, Sajid Javed

机构 * Department of Computer Science, Khalifa University of Science and Technology（卡利法科技大学计算机科学系） ； Information Technology University（信息技术大学） ； KAU（卡乌大学） ； University of the Western Australia（西澳大学） 纠错

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

AI总结 本文提出MLLM-HWSI，一种分层全滑动图像级多模态大语言模型，通过四级尺度对齐视觉特征与病理语言，提升解释性证据接地推理能力，在六个CPath任务上取得新SOTA结果。

Mixture of Mini Experts: Overcoming the Linear Layer Bottleneck in Multiple Instance Learning

混合小专家：克服多实例学习中的线性层瓶颈

Daniel Shao, Joel Runevic, Richard J. Chen, Drew F. K. Williamson, Ahrong Kim, Andrew H. Song, Faisal Mahmood

机构 * Massachusetts Institute of Technology（麻省理工学院） ； Harvard University（哈佛大学） ； Emory University（埃默里大学） ； MD Anderson Cancer Center（MD安德森癌症中心） 纠错

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

AI总结 本文提出MAMMOTH模块，通过低秩变换提升多实例学习中任务特定特征提取，实验显示其在130种配置中提升性能，平均提升3.8%。

Comments Published in ICLR 2026 (37 pages, 16 figures)

Parameter-efficient Prompt Tuning and Hierarchical Textual Guidance for Few-shot Whole Slide Image Classification

高效参数提示调优与层次文本引导在少样本整张滑片图像分类中的应用

Jayanie Bogahawatte, Sachith Seneviratne, Saman Halgamuge

机构 * AI, Optimization and Pattern Recognition Research Group（人工智能、优化与模式识别研究组） ； Dept. of Mechanical Eng., University of Melbourne, Australia（墨尔本大学机械工程系，澳大利亚） 纠错

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

AI总结 本文提出高效参数提示调优和层次文本引导方法，以解决少样本整张滑片图像分类中的计算成本和信息损失问题，实验显示在乳腺、肺癌和卵巢癌数据集上均取得显著提升。

Comments Accepted for publication at CVPR 2026 Workshop on Medical Reasoning with Vision Language Foundation Models (Med-Reasoner)

Jigsaw Regularization in Whole-Slide Image Classification

整张滑片图像分类中的Jigsaw正则化

So Won Jeong, Veronika Ročková

机构 * Booth School of Business, The University of Chicago, IL, USA（芝加哥大学商学院） 纠错

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

AI总结 本文提出一种基于图神经网络和Jigsaw正则化的新型方法，通过引入视觉基础模型嵌入和跨块空间意识，提升多实例学习在乳腺癌、头颈癌和结肠癌等基准数据集上的分类性能。

Efficient AI-Driven Multi-Section Whole Slide Image Analysis for Biochemical Recurrence Prediction in Prostate Cancer

高效的人工智能驱动多切片整张滑动图像分析用于前列腺癌生物化学复发预测

Yesung Cho, Dongmyung Shin, Sujeong Hong, Jooyeon Lee, Seongmin Park, Geongyu Lee, Jongbae Park, Hong Koo Ha

机构 * Pusan National University（釜山国立大学） ； Kyunghee University（庆熙大学） ； OmixAI Co. Ltd.（OmixAI公司） ； Oncocross Co. Ltd.（Oncocross公司） 纠错

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

AI总结 本文提出一种高效的人工智能框架，通过多切片病理切片同时处理，全面分析前列腺癌肿瘤景观，提升生物化学复发预测的准确性，优于传统临床指标。

CAFlow: Adaptive-Depth Single-Step Flow Matching for Efficient Histopathology Super-Resolution

CAFlow：自适应深度单步流匹配用于高效组织病理学超分辨率

Elad Yoshai, Ariel D. Yoshai, Natan T. Shaked

机构 * School of Biomedical Engineering, Tel Aviv University, Tel Aviv, Israel（生物医学工程学院，特拉维夫大学，特拉维夫，以色列） 纠错

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

AI总结 CAFlow通过自适应路由机制实现高效组织病理学超分辨率，利用单步流匹配框架在减少计算量的同时提升重建质量，实验显示其在不同放大倍数下均优于现有方法。

ELM: A Hybrid Ensemble of Language Models for Automated Tumor Group Classification in Population-Based Cancer Registries

ELM：一种语言模型的混合集成，用于人口基于癌症登记处的肿瘤分组自动分类

Lovedeep Gondara, Jonathan Simkin, Shebnum Devji, Gregory Arbour, Raymond Ng

机构 * British Columbia Cancer Registry, Provincial Health Services Authority（不列颠哥伦比亚省癌症登记处、省级卫生服务局） ； The Data Science Institute, University of British Columbia（数据科学研究院、不列颠哥伦比亚大学） 纠错

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

AI总结 ELM结合小型编码器-only模型和大型语言模型，通过集成六个微调模型提高肿瘤分组分类的准确性和效率，显著优于传统方法。

CARE: A Molecular-Guided Foundation Model with Adaptive Region Modeling for Whole Slide Image Analysis

CARE：一种具有自适应区域建模的分子引导基础模型用于全切片图像分析

Di Zhang, Zhangpeng Gong, Xiaobo Pang, Jiashuai Liu, Junbo Lu, Hao Cui, Jiusong Ge, Zhi Zeng, Kai Yi, Yinghua Li, Si Liu, Tingsong Yu, Haoran Wang, Mireia Crispin-Ortuzar, Weimiao Yu, Chen Li, Zeyu Gao

机构 * Xi’an Jiaotong University（西安交通大学） ； University of Cambridge（剑桥大学） ； KingMed（康方生物） ； BGI Research（贝登基因研究院） ； A ⋆ STAR 纠错

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

AI总结 CARE通过自适应区域建模和分子引导，提升全切片图像分析的性能，实现对病理区域的精准识别与分类，优于现有基础模型。

Comments Accepted to CVPR 2026

A WDLoRA-Based Multimodal Generative Framework for Clinically Guided Corneal Confocal Microscopy Image Synthesis in Diabetic Neuropathy

基于WDLoRA的多模态生成框架用于临床指导的糖尿病性周围神经病变角膜共聚焦显微镜图像合成

Xin Zhang, Liangxiu Han, Tam Sobeih, Yue Shi, Yalin Zheng, Uazman Alam, Maryam Ferdousi, Rayaz Malik

机构 * Department of Computing and Mathematics, Manchester Metropolitan University（曼彻斯特 Metropolitan 大学计算与数学系） ； Department of Eye and Vision Sciences, University of Liverpool（利物浦大学眼科学与视觉科学系） ； Faculty of Biology, Medicine and Health, University of Manchester（曼彻斯特大学生物、医学与健康学院） ； Department of Medicine, Weill Cornell Medicine-Qatar（韦尔·柯尔曼医学中心-卡塔尔医学系） 纠错

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

AI总结 本文提出基于WDLoRA的多模态生成框架，用于生成糖尿病性周围神经病变的角膜共聚焦显微镜图像，通过结合神经分割掩膜和疾病特异性临床提示，提升图像合成的解剖学一致性与临床诊断准确性。

Token Coherence: Adapting MESI Cache Protocols to Minimize Synchronization Overhead in Multi-Agent LLM Systems

令牌一致性：适应MESI缓存协议以最小化多智能体大语言模型系统中的同步开销

Vladyslav Parakhin

机构 * Independent Researcher（独立研究者） 纠错

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

AI总结 本文提出令牌一致性理论，通过将MESI协议应用于多智能体系统，减少同步开销，验证了在多智能体大语言模型中同步成本与缓存一致性问题的对应关系，并通过形式化验证协议确保安全性与一致性。

Comments 25 pages. Code and reproduction scripts at https://github.com/hipvlady/agent-coherence

Histo-MExNet: A Unified Framework for Real-World, Cross-Magnification, and Trustworthy Breast Cancer Histopathology

Histo-MExNet：一种用于真实世界、跨倍率和可信乳腺癌组织病理学的统一框架

Enam Ahmed Taufika, Md Ahasanul Arafatha, Abhijit Kumar Ghoshb, Md. Tanzim Rezab, Md Ashad Alamc

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

AI总结 本文提出Histo-MExNet框架，通过集成多种网络结构和物理约束，解决组织病理学图像分类中的尺度不变性和不确定性问题，提升准确性和可解释性。

Comments 34, 6 figures

PGcGAN: Pathological Gait-Conditioned GAN for Human Gait Synthesis

PGcGAN：用于人类步态合成的病理步态条件生成对抗网络

Mritula Chandrasekaran, Sanket Kachole, Jarek Francik, Dimitrios Makris

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

AI总结 本文提出PGcGAN，通过条件生成对抗网络合成特定病理步态序列，利用一热编码标签控制生成六类步态，实验表明合成数据能有效提升病理步态识别性能。

Scaling Laws and Pathologies of Single-Layer PINNs: Network Width and PDE Nonlinearity

单层PINN的缩放规律与病态：网络宽度与PDE非线性性

Faris Chaudhry

机构 * Department of Computer Science（计算机科学系） 纠错

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

AI总结 研究单层PINN在非线性PDE中的缩放规律与病态，发现网络宽度与非线性性对解精度的影响，提出通过实验测量复杂缩放效应的方法。

Comments Accepted at the Machine Learning and Physical Sciences Workshop (NeurIPS 2025)

SOTA: Self-adaptive Optimal Transport for Zero-Shot Classification with Multiple Foundation Models

SOTA: 自适应最优传输用于多基础模型的零样本分类

Zhanxuan Hu, Qiyu Xu, Yu Duan, Yonghang Tai, Huafeng Li

机构 * Yunnan Normal University（云南师范大学） ； Xidian University（西安电子科技大学） ； Xi’an University of Posts and Telecommunications（西安邮电大学） ； Kunming University of Science and Technology（昆明理工大学） 纠错

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

AI总结 SOTA通过自适应最优传输方法整合多基础模型，提升零样本分类性能。

A Deep Learning Approach for Overall Survival Prediction in Lung Cancer with Missing Values

针对肺癌中缺失值的深度学习整体生存预测方法

Camillo Maria Caruso, Valerio Guarrasi, Sara Ramella, Paolo Soda

专题命中 病理影像 ：CT(abstract)；分类 cs.LG

AI总结 本文提出了一种基于transformer架构的深度学习方法，用于处理肺癌患者整体生存预测中的缺失数据，通过自适应特征嵌入和掩码自注意力机制，无需填补策略即可提升预测精度。

Comments 24 pages, 4 figures

Journal ref Computer Methods and Programs in Biomedicine 254 (2024) 108308

Novel Architecture of RPA In Oral Cancer Lesion Detection

口腔癌病变检测中RPA的新架构

Revana Magdy, Joy Naoum, Ali Hamdi

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

AI总结 本研究提出了一种新的RPA架构，通过设计模式和批量处理显著提升了口腔癌病变检测的效率，将预测时间缩短了60-100倍。

Sparse Task Vector Mixup with Hypernetworks for Efficient Knowledge Transfer in Whole-Slide Image Prognosis

通过超网络实现的稀疏任务向量混合用于全滑片图像预后中的高效知识转移

Pei Liu, Xiangxiang Zeng, Tengfei Ma, Yucheng Xing, Xuanbai Ren, Yiping Liu

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

AI总结 STEPH通过超网络实现稀疏任务向量混合，提升全滑片图像预后中的知识转移效率

Comments Accepted to CVPR 2026

Leveraging Spatial Context for Positive Pair Sampling in Histopathology Image Representation Learning

利用空间上下文进行组织病理图像表示学习中的正对采样

Willmer Rafell Quinones Robles, Sakonporn Noree, Jongwoo Kim, Young Sin Ko, Bryan Wong, Mun Yong Yi

机构 * Korea Advanced Institute of Science and Technology（韩国科学技术院） ； Seegene Medical Foundation（Seegene医学基金会） 纠错

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

AI总结 本文提出一种利用空间上下文提升组织病理图像自监督学习性能的方法，通过改进正对采样策略，在多个数据集上实现了5%-10%的准确率提升。

Leveraging whole slide difficulty in Multiple Instance Learning to improve prostate cancer grading

利用整张切片难度在多实例学习中提高前列腺癌分级

Marie Arrivat, Rémy Peyret, Elsa Angelini, Pietro Gori

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

AI总结 本文提出利用整张切片难度提升前列腺癌Gleason分级的分类性能，通过多任务和加权分类损失方法改进诊断效果。

Comments ISBI 2026