Imperial College London（帝国理工学院）

When the Edit Changes the Patient: Measuring Identity Preservation in Counterfactual Retinal Images

当编辑改变患者时：在反事实视网膜图像中测量身份保留情况

Andrea Posada, Wenke Karbole, Bach Ngoc Doan, Alexander Weers, Solmaz Abdolrahimzadeh, Maria Patsiamanidi, Kahkashan Haider, Vaishali Khare, Daniel Rueckert, Andrew Lotery, Sobha Sivaprasad, Martin J. Menten

机构 * Technical University of Munich（慕尼黑工业大学） ； TUM University Hospital（慕尼黑工业大学医院） ； Munich Center of Machine Learning (MCML)（慕尼黑机器学习中心） ； Munich Data Science Institute (MDSI)（慕尼黑数据科学研究所） ； Sapienza University of Rome（罗马第一大学） ； Faculty of Medicine, University of Southampton（南安普顿大学医学院） ； Moorfields Eye Hospital NHS Foundation Trust（摩尔菲尔兹眼科医院NHS信托基金） ； Imperial College London（伦敦帝国学院） 纠错

AI总结 本研究针对视网膜OCT图像，用裁判分类器等方法对比三类文本条件编辑方法的身份保留效果，发现配对训练法身份保留最佳，建议未来医学反事实生成需明确报告身份保留情况。

Stakeholder Insights for Designing In-Home Social Robots for Dementia Disorientation Detection and Caregiver-Aware Intervention

面向痴呆定向障碍检测与护理者感知干预的家庭社交机器人设计的利益相关者见解

Emmanuel Akinrintoyo, Nicole Salomons

机构 * Imperial College London（帝国理工学院） 纠错

AI总结 该研究通过对14名痴呆护理相关人员访谈，明确了居家社交机器人设计需融入日常作息、提供情境化定向支持等关键方向，以辅助痴呆患者定向障碍检测与干预。

Comments 6

Towards insect-like distributed proprioception in actuators and appendages for flapping-wing insect-scale aerial robots

面向扑翼昆虫级空中机器人的作动器与附肢中类昆虫分布式本体感知

Alexander Hedrick, Arvind Gupta, Kaushik Jayaram

机构 * University of Colorado Boulder（科罗拉多大学博尔德分校） ； Imperial College London（帝国理工学院） 纠错

AI总结 该研究针对扑翼昆虫级空中机器人，开发了两种嵌入式本体感知传感器，可精准跟踪冲程与俯仰角，实现碰撞检测与异步扑翼，有望提升机器人性能。

Comments 8 pages, 6 figures, this work has been submitted to the IEEE for possible publication. Copyright may be transferred without notice, after which this version may no longer be accessible

Benchmarking the Robustness of Foundation Models for Mammography under Domain Shift

在域转移下对用于乳腺钼靶成像的基础模型的稳健性进行基准测试

Giang Nguyen, Raghav Mehta, Emma A.M. Stanley, Tian Xia, Thi Hao Nguyen, Hieu Pham, Ben Glocker

机构 * College of Engineering and Computer Science, VinUniversity（工程与计算机科学学院，文大大学） ； Imperial College London（伦敦帝国理工学院） ； Radiology Department, Vietnam National Cancer Hospital（越南国家癌症医院放射科） ； VinUni-Illinois Smart Health Center, VinUniversity（文大大学 - 伊利诺伊智能健康中心，文大大学） ； The Computer Vision and Medical AI Lab, VinUniversity（计算机视觉与医学人工智能实验室，文大大学） 纠错

AI总结 研究在域转移下乳腺钼靶成像基础模型的稳健性，用统一协议在多数据集上训练评估15种模型主干，发现特定视觉语言模型性能强，DINOv3是有竞争力基线，适应预训练未持续提升泛化，强调数据集级OOD评估是核心标准。

Comments Accepted at Deep-Brea3th 2026 workshop in conjunction with MICCAI 2026

GRC-ProbNet: Uncertainty-aware Feature Extraction for Cardiovascular Disease Classification

GRC-ProbNet：用于心血管疾病分类的不确定性感知特征提取

Yash Shah, Omar Todd, Philipp Seeböck, Georg Langs, Ben Glocker, Raghav Mehta

机构 * Imperial College London（伦敦帝国学院） ； Medical University of Vienna（维也纳医科大学） 纠错

AI总结 研究旨在从CT图像自动检测和分类心血管疾病，提出GRC-ProbNet利用深度集成生成多个分割掩码以提取不确定性特征，实验表明该方法能提高CVD分类的AUROC，优于基线GRC-Net模型。

Comments Accepted at STACOM 2026 workshop in conjunction with MICCAI 2026

Where Not to Learn: Prior-Aligned Training with Subset-based Attribution Constraints

不应学习的地方：基于子集归因约束的先验对齐训练以实现可靠的决策制定

Ruoyu Chen, Shangquan Sun, Xiaoqing Guo, Kangwei Liu, Sanyi Zhang, Zhangcheng Wang, Shiming Liu, Qunli Zhang, Wei Wang, Hua Zhang, Xiaochun Cao

机构 * Institute of Information Engineering, Chinese Academy of Sciences（中国科学院信息工程研究所） ； University of Chinese Academy of Sciences（中国科学院大学） ； College of Computing and Data Science, Nanyang Technological University（南洋理工大学计算与数据科学学院） ； Department of Computer Science, Hong Kong Baptist University（香港 Baptist 大学计算机科学系） ； Communication University of China（中国传媒大学） ； Imperial College London（伦敦帝国学院） ； School of Cyber Science and Technology, Shenzhen Campus of Sun Yat-sen University（中山大学深圳校区网络科学与技术学院） 纠错

AI总结 本文提出了一种基于归因的先验对齐方法，通过子集选择归因技术约束模型依赖于人类先验区域，从而提升决策的可靠性。

Mission-Aligned Learning-Informed Control of Autonomous Systems: Formulation and Foundations

任务对齐的学习引导控制：公式与基础

Vyacheslav Kungurtsev, Alessandro Di Frenna, Gustav Sir, Monicah Cherop Naibei, Haozhe Tian, Homayoun Hamedmoghadam, Akhil Anand, Sebastien Gros

机构 * Czech Technical University in Prague（捷克布拉格工业大学） ； Norwegian University of Science and Technology（挪威科技大学） ； Imperial College London（伦敦帝国理工学院） 纠错

AI总结 本文提出一种任务对齐的学习引导控制框架，结合控制、经典规划和强化学习，提升自主系统安全性和可靠性。

MADE: Benchmark Environments for Closed-Loop Materials Discovery

MADE：用于闭环材料发现的基准环境

Shreshth A Malik, Tiarnan Doherty, Panagiotis Tigas, Muhammed Razzak, Stephen J. Roberts, Aron Walsh, Yarin Gal

机构 * OATML, Department of Computer Science, University of Oxford（OATML，计算机科学系，牛津大学） ； Diffractive Labs ； Machine Learning Research Group, Department of Engineering Science, University of Oxford（机器学习研究组，工程科学系，牛津大学） ； Thomas Young Centre（托马斯·杨中心） ； Department of Materials, Imperial College London（材料系，伦敦帝国学院） 纠错

AI总结 MADE提出了一种闭环材料发现的基准框架，通过模拟受限预算下的材料发现流程，评估发现算法的有效性和效率，并支持灵活的工作流研究。

Comments Poster at ICML 2026 Main Conference