AITOPAI热报
Papers

不确定性场方法用于脑卒中CT与MRI联合诊断及病灶定位

Learning uncertainty fields for joint brain stroke diagnosis and intrinsic lesion localization in CT and MRI

npj Digital Medicine@Kangwei Wang
Blog/Media
Read the original
Why we picked it

脑卒中诊断要同时看CT和MRI，这项工作把不确定性建模和病灶定位绑在一起做，输出会附带可信度。做医学影像AI或临床落地的团队可以看看它的思路，跟单纯输出分类结果的方法比多了定位能力。

npj Digital Medicine 于2026年11月14日在线发表一项关于脑卒中诊断的研究，提出学习不确定性场的方法，可在 CT 和 MRI 两种影像上联合完成脑卒中诊断与病灶内在定位。该方法将模型的不确定性建模与病灶定位结合，使诊断结果附带可信度信息，辅助医生判断哪些区域最可能存在病变。研究面向急性脑卒中影像评估场景，覆盖 CT 与 MRI 两种临床常用模态。

Body

对影像科和临床 AI 落地而言，把不确定性显式纳入诊断输出，有助于在标注困难和模态差异较大的脑卒中影像任务中提升可靠性。该研究以论文形式发表于 npj Digital Medicine（DOI: 10.1038/s41746-026-03458-9），属于医学影像 AI 方向的方法类工作。

Original · npj Digital Medicine

Learning uncertainty fields for joint brain stroke diagnosis and intrinsic lesion localization in CT and MRI

npj Digital Medicine, Published online: 14 November 2026; doi:10.1038/s41746-026-03458-9 Learning uncertainty fields for joint brain stroke diagnosis and intrinsic lesion localization in CT and MRI

Industry Coordinates & Source Verification

This report is categorized under AITOP's "Papers" desk. Key entities and technical topics under continuous tracking include uncertainty quantification, medical imaging, CT, MRI.

Source attribution: curated from npj Digital Medicine (@Kangwei Wang).

#uncertainty quantification#medical imaging#CT#MRI

Keep reading

Recent stories with the same tag or section
PapersBuilders13:53
Chinese contentDnNP：在 Neural Processes 中显式建模输入噪声的变分去噪方法

做时空预测或环境传感数据分析的人可以看看这篇。标准 Neural Processes 假设输入干净，DnNP 用变分推理把传感器噪声直接建进模型，PM2.5 插值上 RMSE 降 30%、NLL 降 73%，还给了理论保证，比简单加平滑滤波更有依据。

#Neural Processes#uncertainty quantification#meta-learning
arXiv cs.LG@Fatemeh Tohidian et al. (7)Source
Papers10:45
Chinese content条件熵正则化的 Evidential Deep Learning 用于青光眼检测

做医学影像或不确定性建模的值得看：作者把条件熵加进 EDL 正则项，在 RIM-ONE-DL 等数据集上校准误差比 MC Dropout 和 Deep Ensembles 都低，还能用 Grad-CAM 看模型是否盯错了视盘。

#Evidential Deep Learning#uncertainty quantification#Grad-CAM#medical imaging
arXiv cs.LG@Hai Siong Tan, Kuancheng WangSource
PapersBuilders10:41
Chinese contentParticle解码免费估计序列级Rényi熵，自适应推理降低算力开销

做推理部署的可以看看：SMC 解码顺手就能算出序列级熵，不用额外跑补全。论文在 MATH500 上验证过，两遍策略用少 34.2% 的粒子就能保住 64 粒子的准确率，算力紧张的团队直接受益。

#Sequential Monte Carlo#MATH500#uncertainty quantification#reasoning models
arXiv cs.LG@Erfan Baghaei Potraghloo et al. (9)Source
PapersBuilders10:23
Chinese content双保真采样超网络框架用于材料响应建模与不确定性量化

这篇 arXiv 论文面向做仿真替代模型或工程不确定性量化的人。它把双保真建模和 Langevin 采样超网络结合起来，在实验、仿真和合成数据上验证，比单点拟合能给出后验不确定性，实验数据不够时也能用低保真数据补。

#uncertainty quantification#hypernetworks#agent models
arXiv cs.LG@Reese E. Jones et al. (6)Source