- 博客(71)
- 收藏
- 关注
RSS订阅原创 医疗数据不出设备：OpenMed 把临床 NER 和隐私脱敏搬到本地
大家好，我是柳半夏。今天给大家介绍一个开源、本地优先的医疗 AI 项目——。它面向临床文本处理，可以完成医疗实体抽取、PII 检测与去标识化。在所需模型制品准备就绪后，OpenMed 的核心运行时能够直接在本地硬件上处理数据，并提供 Python、Swift、Android、浏览器和服务接口。目前，OpenMed 收录了 2,266 条模型清单记录，支持由模型覆盖的 33 种 PII 语言，并以 Apache-2.0 License 发布 SDK 源代码。
2026-09-14 10:20:55
95
原创 ICML 2026 医疗 AI 论文速览：模型不只要更准，还要更稳
FACT 的核心价值在于：它没有把多标签医学影像诊断简单处理成多个独立分类任务，而是把“一个影像证据可以支持多个疾病、多个疾病之间存在共病关系”这件事显式建模了出来。Fair-FedMOE 的价值在于：它把医疗联邦学习中的公平性问题和通信成本问题放在一起解决，让模型在只通信一轮的情况下，也能更照顾表现较差的人群亚组。LGDEA 的核心价值在于：它用 LLM 帮模型找到报告里的关键诊断证据，再围绕这些证据做图文对齐，从而在配对数据有限的情况下，仍然学到更有临床意义的医学视觉语言表示。
2026-09-07 08:00:00
563
原创 医疗智能体登顶 Nature 正刊，AI实现全流程诊疗
MIRA 与基于真实病历现病史构建的患者智能体对话，并通过 FHIR 接口调用查体、实验室检查、影像、药物、操作和住院等工具，将临床推理转化为结构化、可执行的 EHR 操作。它与常见的医疗问答模型不同：MIRA 不只是根据病例生成一段诊疗建议，而是在一个受控的电子健康记录（EHR）沙箱中，像医生一样逐步完成问诊、查体、开检查、读取结果、形成鉴别诊断、开具药物、申请手术以及决定收治或出院。可执行操作包括问诊、读取既往病史、申请查体、开具实验室检查、微生物检测和影像检查，以及搜索并申请药物、手术和住院。
2026-09-06 08:00:00
605
原创 百川M4解读:百川智能与清华如何构建临床级医疗智能体
系统将问题拆解为 PICO，即人群、干预、对照和结局，并从原始研究、系统综述、临床指南、实践知识、公共卫生资料以及监管和真实世界证据中组装证据链。训练奖励同时考虑相关性、时效性、权威性和 PICO 匹配度。针对检验单、处方、出院记录和影像报告等复杂版式，M4 不强制模型生成固定布局，而是同时评估全文相似度和关键字段匹配，以提取数值、单位、异常标记等临床要素。论文报告称，M4 在医学知识、复杂临床推理、动态问诊、长程病历记忆、循证检索、医学文档 OCR 和医学影像理解等任务上取得领先结果，整体幻觉率降至。
2026-09-05 08:00:00
375
原创 为什么专科模型仍然重要：HetMedAgent 给医疗 AI 提供了另一种路线
HetMedAgent 则将专科模型、通用 LLM 和医生智能体组织成协作框架，通过冲突感知证据融合和不确定性驱动的医生介入，提高医疗决策的安全性和可解释性。文章还给出一个案例：一名 75 岁女性，有冠心病史，系统综合 ECHO 报告、ECG 图像和临床信息，生成分步骤推理链，并输出 180 天入院风险、可能病因和严重程度判断。不一定要从头训练昂贵的医疗 foundation model，而是可以利用已有通用 LLM，叠加经过验证的专科模型，并在医生监督下构建可控、模块化、可扩展的医疗 AI 系统。
2026-09-04 08:00:00
618
原创 训练时看基因，推理时只看病理：MoMKD 给计算病理知识蒸馏提供新思路
传统 teacher-student KD 和 correlation-based KD 主要依赖直接特征或相关性对齐，而 MoMKD 引入动量更新的 memory bank，将跨模态知识蒸馏转化为对稳定记忆空间的对齐，从而缓解 batch-local 监督不稳定的问题。Figure 3 显示，HER2、PR 和 ODX 三个任务中，memory 的 active ratio 基本保持在 0.75 以上，说明大多数 memory component 都被有效利用，没有出现明显“死记忆”。
2026-09-03 10:57:35
618
原创 Nature：AI 第一次把生物学发现做成“假设—实验—数据分析”闭环？
Robin 的工作方式大致是：输入一个疾病名称，系统先从文献中梳理疾病机制，再提出可在体外模型中测试的机制和实验方案，随后生成候选药物。图中展示 Robin 对 ripasudil 的候选建议、ARPE-19 细胞中的第二轮筛选结果、ripasudil 与 Y-27632 的剂量反应曲线，以及在原代人 RPE-SC 中的验证结果。更关键的是，在原代老年人 RPE-SC 细胞中，ripasudil 和 Y-27632 的效应再次得到验证，而且 ripasudil 的效力更强。Robin 架构消融实验。
2026-09-02 08:00:00
420
原创 Nature Biomedical Engineering | ChexGen：胸部X光生成式视觉语言基础模型赋能医疗AI数据增强、少样本学习与公平性提升
在气胸分割任务中，使用2×合成数据增强后，SIIM-ACR-PTX数据集上的阳性Dice系数从0.34提升至0.42（p < 0.001），该提升在外部Candix-PTX数据集上同样有效（0.28提升至0.36）。：ChexGen在FID（CLIP: 0.89, XRV: 0.57）、MS-SSIM（0.41）和Pearson相关系数（0.59）上均显著优于RoentGen和MINIM-CXR（p < 0.001），表明其生成的图像更接近。”等难识别疾病的提升尤为显著（AUC分别提升约18%和5%）。
2026-08-31 08:00:00
356
原创 Medical Image Analysis IF=11.8 | AngioGraphCAD：基于图表示学习的冠脉造影未来心血管事件预测
在患者水平预测中，AngioGraphCAD结合掩码注意力层（MAL）和加权特征融合模块（WFFM），在处理可变数量病变嵌入时表现出色。近日，来自瑞士洛桑联邦理工学院（EPFL）与洛桑大学医院等团队在《Medical Image Analysis》上发表了一项创新研究，提出了。该研究首次从图表示学习的视角出发，将每条冠状动脉狭窄构建为几何图，利用图神经网络（GNN）捕捉血管的形态与拓扑结构，再通过新颖的“，为临床决策提供直观依据。，用于自适应融合可变数量的病变嵌入，从而实现灵活的、可解释的患者级预测。
2026-08-28 08:00:00
865
原创 Nature Health | 50万+Copilot健康对话解析：公众LLM健康查询的行为模式与设计启示
该堆叠柱状图展示了在“症状问题”、“疾病信息”和“情绪健康”三个意图类别中，查询是为用户自己（Self）、被照顾者（Dependent）、其他人（Other）或未知（Unknown）的百分比。该分组柱状图对比了移动端（实心）和桌面端（条纹）上各意图的对话百分比，突出显示了移动端个人意图（如症状、情绪）和桌面端专业意图（如研究、文书）的显著差异。：个人健康意图（如“情绪健康”）下的主题聚类（如“压力管理”、“人际关系困扰”）进一步证实了用户寻求的是针对具体情境的、可操作的建议和情感支持。
2026-08-27 09:21:44
349
原创 Nat. Biomed. Eng. IF=26.7 | PheMART：对比学习驱动错义变异临床表型预测，赋能罕见病精准诊断
现有方法大多只能判断变异“有害与否”，却无法揭示它具体会导致哪种疾病表型，这如同只知道机器故障却找不到坏掉的零件，让临床诊断和精准干预步履维艰。哈佛大学等团队开发了一种名为。：哈佛与麻省理工主导，清华、芝大与斯坦福提供算法，波士顿顶级医院负责临床验证的跨国医理交叉科研团队。通过整合患者优先排序的变异和临床症状，PheMART构建了一个。：将变异和表型映射到统一度量空间，让正变异-表型对的距离更近。：对比错义变异与对应野生型蛋白，学习表型相关的变异嵌入表示。等多模态数据，实现了对错义变异表型效应的全面表征。
2026-08-25 08:00:00
627
原创 Nature子刊 IF=15.1 | AI辅助ICD编码的真实世界部署与评估：基于大模型与临床文档标准化
以替代传统的、依赖直觉的流程。其核心步骤包括数据采集、冗余感知采样、基于LLM-as-Judge的成对模型评估与Plackett-Luce排名、基于HL7-CDA章节的指令微调，以及最终的。：提出包含数据去冗余、基于LLM-as-judge的模型选择、HL7-CDA对齐的章节感知微调在内的完整、模块化流水线，支持在异构文档环境中进行可扩展的ICD-10-CM编码。为自动化编码带来了希望，但现有模型往往难以适应真实世界中复杂多变的临床文档结构，其实际工作流程中的性能和用户接受度更是鲜有验证。
2026-08-24 08:00:00
623
原创 Nature Biomedical Engineering IF=26.7 | OVFM：面向眼科手术识别与导航的视频基础模型
眼科手术的精准度与安全性高度依赖外科医生的经验与技巧，但顶尖专家的培养周期漫长，且术中操作的实时评估与导航支持仍面临挑战。将蒸馏后的OVFM集成到手术显微镜中，构建实时导航系统，并在猪眼湿实验室中由10名外科医生进行交叉用户研究。：基于包含144种手术类型、110万视频片段的数据集，模型学习到丰富的时空运动特征，在七项下游任务中均超越现有基准。中，导航系统显著提升了外科医生的手术表现（如切口角度误差降低），并缩小了新手与专家之间的技能差距。中，该系统有效提升了不同经验水平外科医生的手术表现，
2026-08-22 08:00:00
717
原创 Nature Medicine IF=50.0 | ProtAIDe-Dx：血浆蛋白质组学驱动的痴呆相关6种疾病多病共病AI诊断模型
由隆德大学等团队组成的国际研究小组，利用迄今为止最大的神经退行性疾病血浆蛋白质组学数据集，开发了一个名为。通过将模型输出的六维诊断概率降维至二维空间，可以可视化不同疾病患者以及具有模糊病因患者的分布，从而揭示疾病内部的异质性。以下图表展示了ProtAIDe-Dx模型在GNPC数据集上对六种痴呆相关疾病的诊断性能，并与多种基线模型进行了比较。中进行了验证，评估其泛化能力、与疾病特异性生物标志物的关联，以及为临床诊断提供的附加价值。，辅助临床决策，并可通过少量样本进行迁移学习，提升在新场景中的。
2026-08-21 08:00:00
343
原创 Nature Health | OMAFound：低剂量CT驱动乳腺与肺癌多癌早筛，助力提升临床诊断效能
a，两部分CT阅片研究的工作流程。b-e，女性人群器官层面乳腺癌预测、器官层面肺癌预测、患者层面癌症预测以及男性人群患者层面（等同于器官层面）肺癌预测的性能。a-c，基于CT的OMAFound用于乳腺癌预测（乳腺特异性模块）、肺癌预测（肺特异性模块）和患者层面癌症预测（融合模块）的ROC曲线。：AI辅助可显著提升放射科医生（尤其是初级医生）的敏感性（乳腺癌平均提升38.9%，肺癌16.0%），且不降低特异性，具有。（癌/非癌），缺乏病灶级的精确标注（如分割掩膜），可能限制其预测精度与可解释性的进一步提升。
2026-08-20 08:00:00
373
原创 Medical Image Analysis IF=11.8 | C2HFusion：临床驱动的多模态分层融合助力胰腺癌个性化预后评估
高风险组患者的1年、3年和5年生存率（69%， 18%， 5%）远低于低风险组（96%， 62%， 51%），表明模型能有效识别。”高于“全部治疗”、“全部不治疗”的简单策略，也高于仅依据TNM分期或组织学分级的策略，表明其在临床实践中具有更高的应用价值。）等指标，比较了C2HFusion与其他单模态及多模态方法在内部验证集（ZHF）和外部验证集（EVC）上的效果。，未纳入CT等同样具有预后价值的影像数据（如血管侵犯特征），可能限制模型对肿瘤生物学特性的全面刻画。
2026-08-19 08:00:00
378
原创 Cell Reports Medicine IF=10.6 | UniCAS：宫颈细胞学筛查专属基础模型，构建多尺度高效统一诊断范式
一张玻片的全景图像数据量巨大，人工阅片耗时费力，而现有的AI辅助方案又往往需要为不同诊断任务（如癌症筛查、感染识别）训练多个专用模型，导致计算冗余、流程低效，难以融入临床常规工作流。处理UniCAS输出的补丁特征，完成癌症筛查、念珠菌检测、线索细胞诊断的并行推理，无需单独训练单任务模型。：在外部多中心数据集及多个公开数据集上，UniCAS 在分类、检测、分割等任务中均表现稳定，展现了良好的。通过与多个组织病理学基础模型（如。等）的比较，评估了UniCAS在玻片级诊断、区域级分析和像素级增强方面的能力。
2026-08-18 08:00:00
640
原创 Nature Biomedical Engineering IF=26.7 | CT-RATE、CT-CLIP与CT-CHAT：开启3D胸部CT零样本检测与多模态智能诊疗新篇章
利用CT-CLIP的视觉编码器，模型能够根据查询CT体积的嵌入向量，从数据库中检索出具有相似异常特征的CT体积。CT-CHAT通过结合CT-CLIP的视觉编码器和大型语言模型（LLM），实现了对3D胸部CT体积的交互式理解和报告生成。：基于CT-RATE训练的CT-CLIP模型，在零样本设置下的多异常检测性能超越了全监督基线模型，并在来自不同国家的外部验证集上表现出良好的。：在与LLaVA 1.6、LLaVA-Med和CXR-LLaVA等先进的2D医学多模态模型的比较中，CT-CHAT在。
2026-08-17 08:00:00
510
原创 AAAI 2026 | LungNoduleAgent：协作式多智能体系统实现肺结节精准诊断
尽管多模态大模型和智能体系统在医疗领域展现出潜力，但在肺结节分析任务中，它们往往难以精准描述结节形态特征，也缺乏足够的病理学知识支持，导致诊断准确率有限。通过与通用视觉语言模型（VLMs）和医学专用代理系统在三个数据集（PrivateA、PrivateB、LIDC-IDRI）上的比较，评估了模型在。通过一系列消融实验，分析了LungNoduleAgent各个核心模块的贡献，并探讨了影响系统性能的关键因素，包括。：框架高度依赖结节定位模块的准确性，若初始检测出现偏差，可能影响后续报告生成和恶性度推理的。
2026-08-16 08:00:00
711
原创 Nature Medicine IF=50.0 | 公众医疗助手LLM可靠性存隐忧：真人交互表现未优于对照组，现有评估基准失效
牛津大学等机构的研究团队发现，尽管GPT-4o等主流LLM在独立处理医疗场景时准确率很高，但当1298名真实用户借助它们进行自我评估时，其表现并未优于使用传统网络搜索的对照组，甚至在识别相关病症方面更差。以上图表展示了三种大型语言模型（GPT-4o、Llama 3、Command R+）在独立完成医疗场景任务时的表现，并与普通用户借助这些模型完成任务的表现进行了对比。在于：这些在标准测试中表现优异的模型，在真实、动态的人机交互场景下，能否真正帮助普通人做出可靠的医疗决策？【交互过程中相关病症的识别情况】
2026-08-15 08:00:00
867
1
原创 IEEE TMI IF=9.8 | MM-GTUNets：统一多模态图深度学习框架赋能脑疾病预测
仅使用非成像数据时模型性能很差（ACC约52-58%），仅使用成像数据时性能中等（ACC约76-80%），而结合两者时达到最优（ACC约82-83%），表明非成像数据对成像数据起到了有效的补充作用。在非成像数据中，性别、年龄和采集站点的影响相对均衡，其中性别的影响略大，而年龄的影响则更为一致。的GTUNet编码器，结合图U-Net的下采样机制，能过滤重要节点特征并捕获全局与局部信息，适用于处理大规模复杂图数据。，预测时需要处理整个图结构，难以支持对新样本的快速增量预测，不适用于需要实时决策的临床场景。
2026-08-14 08:00:00
605
原创 AAAI 2026 | S-DAG：细粒度主题分析驱动的多智能体异构推理框架
通过与单模型和多模型基线的对比，评估了S-DAG在解决复杂、多学科问题上的准确性和效率。：S-DAG的构建依赖于GNN模块，该模块需要带标注（主题及依赖关系）的数据进行训练，在缺乏高质量标注数据的领域可能。：通过主题-LLM匹配策略，为S-DAG中的每个主题节点动态分配最擅长的专家模型，并依据图结构进行信息流协作，：在多个基准测试上，使用小型专家模型池协作的S-DAG框架，其性能可媲美甚至超越参数量大得多的单体LLM，：框架在主题层面进行细粒度分解，能识别多学科问题中的相关主题及其依赖关系，构建。
2026-08-13 08:00:00
424
原创 IEEE TRANSACTIONS ON MEDICAL IMAGING IF=9.8 | ContourMS：轮廓感知多专家模型助力模糊医学图像精准分割
该数据集未提供明确的专家风格标签，评估重点在于模型预测的多样性与真实标注分布的匹配程度，使用了广义能量距离（GED）和匈牙利匹配IoU（HM-IoU）等指标。通过系统的消融实验，验证了ContourMS框架中各个关键组件的贡献，包括两阶段设计、潜在网络（LatentNet）、轮廓网络（ContourNet）以及针对有无专家风格标签的不同训练策略。”的框架，先预测多专家共识的初始区域，再学习专家特有的潜在风格来逐步优化轮廓，从而生成。，显著提升了边界区域的细节质量，能有效捕捉不同专家标注间的微妙差异。
2026-08-12 08:00:00
428
原创 Nature子刊 IF=15.1 | Trans-MUF：多模态Transformer系统实现糖尿病肾病与非糖尿病肾病无创精准鉴别
通过ROC曲线（图a）和t-SNE可视化（图b），评估了模型区分糖尿病肾病（DN）与非糖尿病肾病（NDRD）的能力。图a（底部）：Trans-MUF与消融模型（如去除图像模态、去除临床因素模态、去除Transformer模块、去除CNN模块）在Retina-DKD验证集上的ROC曲线对比。以下图表通过模态权重量化、特征重要性分析和可视化图谱（图a、b、c、d、e），揭示了模型的决策依据，并评估了其辅助医生诊断的潜力。图a：多模态数据（眼底图像、病灶分割图、临床特征）在诊断中的权重占比。
2026-08-11 08:00:00
647
原创 Lancet Digital Health IF=22.5 | PanCAM：泛癌淋巴结转移AI病理诊断模型的多中心回顾与前瞻性验证
以下图表展示了在膀胱癌和前列腺癌数据集上，PanCAM与专门针对该癌种训练的AI模型（BCa模型和PCa模型）的性能对比。以下图表比较了PanCAM与临床病理医生在患者水平上诊断淋巴结转移的敏感性和特异性，并展示了PanCAM发现的漏诊病例。：模型特异性（0.82–0.98）低于病理医生，产生了较多假阳性结果，虽单张复核时间短（约13秒），但仍会增加病理医生的。在膀胱癌和前列腺癌数据集中，PanCAM与相应癌种特异性模型（BCa模型、PCa模型）的多项诊断指标对比。》的多中心诊断研究带来了突破。
2026-08-10 08:00:00
656
原创 Cancer Cell | KEEP：知识增强视觉语言病理基础模型革新癌症诊断，赋能罕见癌精准分型
（如特定IDH突变脑瘤），模型的零样本预测能力仍显不足。•。
2026-08-09 08:00:00
349
原创 ACM MM ‘25 | MediSee：基于推理的医学图像像素级感知
依然存在：现有模型大多依赖专业、精确的指令（如“分割左肺”），普通用户却更习惯用生活化的语言进行隐式提问（如“图像里负责呼吸的器官在哪儿？针对这一难题，发表于ACM Multimedia 2025的研究带来了突破。它不仅能理解用户口语化的、需要医学知识推理的隐式查询，还能同步生成目标区域的。：在LLM原始词汇表中新增多个候选token，用于标识分割与检测任务的特征输出。：数据集中复杂的问答对由GPT-4等模型生成，可能存在。的问题，为分割、检测解码器分别定制。，无需依赖精确的边界框或专业术语，
2026-08-08 08:00:00
479
原创 AAAI 2026 | XAI-MeD：可解释知识引导的神经符号框架攻克医学影像域泛化与罕见类检测挑战
难以完全覆盖训练数据之外的罕见或边缘病例，知识库的。
2026-08-07 10:00:48
357
原创 IEEE JBHI IF=6.8 _ BS-LDM：基于条件潜在扩散模型实现高分辨率胸片有效骨抑制
模型在自建的高质量数据集（SZCH-X-Rays）上表现优异，但在公共数据集（如JSRT）上性能提升相对有限，且对于训练数据未涵盖的。：基于条件潜在扩散模型（LDM）的BS-LDM框架，结合多级混合损失约束的VQGAN进行感知压缩，能在高分辨率胸部X光图像中。：在潜在空间中操作，相比在像素空间工作的扩散模型（如BS-Diff），降低了计算需求，推理时间缩短了约。，能够从常规单次曝光的胸片中精准“抹去”肋骨和锁骨等骨骼影像，生成高分辨率的纯软组织图像，在。，有效减少了低频信息生成的差异，提升了生成图像的。
2026-08-07 08:00:00
13
原创 CVPR 2026 _ SegMoTE：Token级专家混合框架实现极低标注成本下多模态医学图像分割SOTA
通过对比单点提示（图a）和边界框提示（图b）两种交互模式下的Dice系数，以及不同方法所使用的训练数据规模（图c），评估了SegMoTE的有效性。成本极高，数据受限。：构建的MedSeg-HQ数据集规模仅为现有大型数据集的1%，但通过精选标注提升了模型泛化能力，在多种模态与任务中达到SOTA性能。下表展示了SegMoTE在三个未见过的域外数据集上的零样本分割性能，使用边界框作为提示，并与当前最先进的模型进行比较。：模型在训练数据未覆盖的极端模态或病理情况下，专家令牌的动态选择可能不够鲁棒，影响跨域泛化。
2026-08-06 08:00:00
597
原创 IEEE TMI IF=9.8 | UNet-DeformSA与TransDeformer：基于注意力机制实现腰椎脊柱MR图像无伪影几何重建
然而，现有基于图像分割的自动化方法常产生带有伪影的分割结果或无结构的点云，难以转换为可用于精准医学参数测量的。实验通过在不同半径的圆内随机平移初始模板中心，并比较开启/关闭推理第一阶段（中心预测）时的性能变化来完成。：迈阿密大学计算机科学系；，对于存在严重脊柱侧弯或定位不佳的病例，模型性能可能下降，泛化能力有待在更广泛图像平面上验证。：基于TransDeformer改进的误差估计网络能够预测重建几何的误差，为临床应用的。【形状-图像注意力（S2IA）模块架构图，展示形状特征与图像特征的跨模态融合】
2026-08-05 08:00:00
494
原创 Nature Neuroscience IF=25.0 _ BrainIAC：基于自监督学习的通用脑MRI基础模型
图注：上图展示了BrainIAC、BrainSegFounder、MedicalNet和Scratch模型在七个下游任务（包括序列分类、脑龄预测、IDH突变预测、总生存期预测、痴呆预测、卒中时间预测和肿瘤分割）中，随着训练数据比例（10%至100%）变化的性能对比。以下图表展示了BrainIAC模型在七个不同下游任务中的性能，并与监督学习（Scratch）、医学影像预训练模型（MedicalNet）和分割专用基础模型（BrainSegFounder）进行了比较。，为脑影像分析提供了一个强大的新起点。
2026-08-04 08:00:00
366
1
原创 3.6k Star、多次斩获FDA挑战赛冠军：DeepVariant如何用计算机视觉重构基因组学
DeepVariant 在 GitHub 上已揽获超 3.6k Star，它不仅是一个开箱即用的变异检测工具，更是 AI 赋能精准医疗的典范。它向我们展示了深度学习如何通过跨界融合，优雅地解决传统生物信息学难以攻克的噪声干扰问题。你的下一个基因组测序项目，准备好让计算机视觉来接管了吗？🔗相关资源GitHub 仓库Nature Biotechnology 论文。
2026-08-03 20:00:00
505
原创 Nature子刊 IF=15.1 | SynthEHR-Eviction：利用LLM增强合成EHR数据优化驱逐相关SDoH检测
的SDoH分类框架，细分驱逐状态（当前/历史、待决等）及Tier1/Tier2 SDoH类别，满足。：模型在Synth合成数据集上表现最优，在PMC学术病例报告数据集上性能下降明显，：3B级开源模型在复杂分类任务中性能弱于7B/8B级模型，传统BERT类模型在。，在驱逐及非驱逐SDoH分类任务中，Qwen2.5-7B-FT等开源模型性能。，可高效部署于不同规模模型并推广至其他SDoH提取任务。即可让模型达到接近基线的性能，在保证效果的同时。的特定标签样本，解决驱逐相关SDoH。
2026-08-03 08:00:00
463
原创 Nature正刊！| 基于可追溯推理的智能体系统重塑罕见病诊断
DeepRare的诊断能力覆盖广泛的医学专科。：当前系统对表型信息进行聚合检索，未来可探索更精细、自适应的检索策略以进一步提升诊断精度，尤其在处理高度相似的表型时存在误判可能。Chen et al., 2024：该论文构建了包含多个公开数据源的罕见病诊断基准，是本研究进行跨数据集评估和性能比较的。DeepRare的三层系统架构设计灵感来源于MCP，其“中央宿主-智能体服务器-外部数据源”的分层模式确保了系统的。，在非专科场景下的初步“筛查”能力尚未充分验证和评估，限制了其在更早期诊断环节的应用。
2026-08-02 20:00:00
496
原创 AAAI 2026 Oral | VL-SurgPT与TG-SurgPT：视觉语言融合赋能鲁棒手术点跟踪
手术场景中的精准点追踪一直受烟雾遮挡、镜面反光、组织变形等复杂视觉问题困扰，现有相关数据集仅提供坐标信息，缺失理解追踪失败机制的关键语义上下文。香港中文大学、深圳人民医院等联合团队构建了首个打通视觉追踪与手术场景点状态文本描述的大规模多模态数据集VL-SurgPT，还提出文本引导的TG-SurgPT追踪方法，有效提升了复杂视觉条件下的追踪准确性与可靠性，为计算机辅助手术的上下文感知追踪系统奠定了基础。• 文章标题：Bridging Vision and Language for Robust Context
2026-08-02 08:00:00
367
原创 一张CT切片的3D全自动化：MONAI 医学影像分割上手指南
你是否曾经尝试用 PyTorch 或 TensorFlow 手写一个医学图像分割模型，却在第一步就卡住了？如果通用的工具是“水果刀”，那么处理医学影像需要的是一把精准的“手术刀”。正是为此而生。今天，我们通过 MONAI 官方最经典的教程，带你打通医学 AI 的任督二脉。
2026-08-01 20:00:00
469
原创 IEEE TMI IF=9.8 | SegMamba-V2：长序列建模Mamba赋能通用3D医学图像分割
【多数据集分割结果定性对比图，展示SegMamba-V2与SOTA方法在BraTS2023、AbdomenAtlas-1.0、AIIB2023、CRC-2000上的分割效果】【SegMamba-V2整体框架图，注解：SegMamba-V2四阶段混合架构示意图，包含下采样模块、卷积/TSMamba块及带跳跃连接的解码器】【FUE模块示意图，注解：特征级不确定性估计模块流程图，展示不确定性计算与特征增强过程】，相比Transformer避免了二次计算复杂度，同时弥补CNN的局部性缺陷。
2026-08-01 08:00:00
470
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人