#医学影像

npj Digital Medicine 的新论文，用 agentic AI 自己从定量特征里挖出胶质母细胞瘤的影像征象，做医学影像分析的可以看看思路。

npj Digital Medicine@Fei Dong原文

放射科到底该用专科 AI 还是通用模型？这篇 NEJM AI 评论把部署层面的账算给你看。

NEJM AI@Satvik Tripathi and Tessa S. Cook原文

医学影像合成的怕生成得像但解剖错了，这篇用 AortaDiff 加 6 种不确定性方法来量化这事，MCDropout 免训练就能用

牙科修复也用上可控生成模型了，这篇 DentalGEN 讲怎么自动生成牙冠，做医学影像或生成模型的人可以看看。

npj Digital Medicine@Dinggang Shen原文

皮肤癌AI模型遇到陌生数据容易乱给结论，这篇研究用多准则不确定性估计来识别偏移，还顺带提升恶性判断，做医疗影像的可以看看。

npj Digital Medicine@Reid F. Thompson原文

MIT 把 CT 数据加生成模型变成 X 光标注机，训练出能分全身 60 个结构的模型，还开源了本地工具，搞医学影像的可以自己跑跑看。

这篇论文做了个挺实用的模型 MMAP，专门解决医疗数据缺图或缺表格的情况，在阿尔茨海默病转化预测上跑赢了基线。

Nature Medicine发布AI食管癌筛查工具，无需对比剂即可精准检测。

Nature Medicine@Qifeng Wang原文

医学影像领域新研究，用预训练模型提升DWI畸变校正效果，在LMIC数据应用中发现实际挑战。

医学影像领域新突破：用原始表示学习重建动态对比增强MRI，无需大量训练数据。

胸片多标签分类老问题，C²A用共现先验加注意力，CheXpert上0.895 AUROC，比GCG强，开销还小，值得搞医学影像的看看。

这篇论文用稀疏MoE做视网膜多病分类，专家分配能对应具体病灶，宏AUC到0.912，搞医学影像的可以看看。

医学影像领域的小伙伴可以看看这篇，CARE-X 把胸片分类、定位、报告生成整合到一个模型里，还靠工具调用做解剖测量，临床实用性比纯生成模型强不少。

这篇arxiv论文把扩散模型和大语言模型在医学影像里的应用讲得挺清楚，还介绍了基础模型怎么建，适合想了解医疗AI技术路线的人。

这篇论文把迁移学习用在腹腔镜多器官分割上，CEMD模型微调后Dice到62.4%，还比从零训练快不少，做医学影像分割的值得看看。

这篇论文发了个叫ScaFE的方法，让LLM写图像特征程序来分类疤痕，照片不用出本地，比BiomedCLIP高10个点，数据少也够用。

ACA用轻量级方法给CT模型加了解剖级上下文，一小时训练就比现有细粒度方法强，适合医学影像落地。

Quasi-SVD把矩阵分解速度提了3-20倍，还能在GPU上并行跑，医学实时成像终于有戏了。

这篇论文展示了KAN不只是理论上可解释，还能落地到医学影像中，让解释更可靠，比标准ResNet/ViT定位准确率提升10%。

这篇论文用大量数据和对照实验拆解了医学基础模型表征收敛的真正原因，发现关键不是临床标签而是自监督目标，对训练和评估模型很有启发。

新论文用语义感知对比学习解决医学影像的假阴性问题，在脑肿瘤分类上AUC涨了22.6%，值得搞多模态医疗AI的人看看。

这篇论文教你用无监督聚类自动分析心脏PET/MRI，在99名患者上准确匹配医生判断，省时省力。

有人拿Claude直接读MRI数据，让它写了个HTML查看器，比原厂软件还好看。

AI Will@FinanceYF5原文

这篇论文提出了TCLA方法，不用训练就能让医学VLMs适应新数据，1-shot下效果比现有训练方法还好，很实用。

看看Hinton十年前怎么吹深度学习的，现在回过头看，是预言还是打脸？

Gary Marcus@GaryMarcus原文

想理解脑肿瘤MRI评估的黑箱？TRACE用概念瓶颈让模型决策透明可验证，在LUMIERE上表现接近非可解释方法，值得看。

这篇论文提出BrReMark，通过先假设再验证的标注机制，大幅提升了脑MRI诊断的可信度和定位精度，值得关注。

这篇论文用SAM加人工迭代的方法做肺结节分割，Dice近85%，比13种SAM变体都强，非医学人员培训后也能干医学标注的活。

胰腺癌早期发现率极低，REDMOD 模型能提前三年从常规 CT 中捕捉到肉眼难以察觉的病变，对放射科医生和肿瘤科医生来说，这是直接可用的筛查工具，值得关注。

The Rundown AI@therundownai原文

医学影像团队面临标注数据稀缺的痛点，这项研究展示了合成数据如何缓解FCD检测中的标注瓶颈，做神经影像分析或罕见病检测的开发者值得关注其方法。