埃默里+芝加哥最新研究：说句话AI就改轮廓，胶质瘤分割DSC涨2.2%
化疗靶区勾画要改一处轮廓，AI直接"听懂"人话动手改——这是三维医学影像分割基础模型VoxTell与文本指令结合的一次亮眼尝试。冻结全部预训练权重，只训练一个轻量指令分支，就能让模型按临床语言精确编辑亚区轮廓，正确指令在跨数据集测试中比矛盾指令高出0.047的Dice分离度，方向对了。
标签：AI医疗
共 93 篇
胎儿超声合成告别128×128：EDM2高分辨率开源模型全面上线
准妈妈躺在检查床上，医生拿着超声探头在肚皮上滑来滑去，屏幕上一团模糊的灰度影像。别小看这团灰度，它决定了整个孕期最重要的一次“过关”。产前超声检查是评估胎儿健康的主要手段，而人工智能想在里头帮忙，先得喂饱数据。问题来了…
IEEE BigData 2025：CEMD跨域迁移，让胆囊分割暴涨27%还能提速3倍
在医学影像分割的同类探索里，这篇把手伸向了更硬核的跨手术域迁移：胆囊手术学到的东西，能不能直接帮直肠手术做分割？CEMD架构给出的答案是——不仅能用，胆囊类分割还暴涨27%，收敛还快3倍，值得一读。
SCALPEL：解剖-否定感知对比学习，医疗跨模态召回率飙升22%
当“肺不张”被误判为“正常”，多亏了SCALPEL的否定感知机制，把医疗跨模态对齐从“字面匹配”拉回“临床逻辑”，背后是PMC-LLaMA+ANAO的双重保障，实测召回率涨2%，值得临床AI从业者关注。
西北大学最新：用医生看片时的“眼球轨迹”做弱监督分割，Dice达81.85%！
还在为医疗分割数据的像素级标注头疼？西北大学这篇工作告诉你，医生看片子时的眼动轨迹就能当弱监督信号，而且效果居然超越了最专业的涂鸦、边界框等“传统”弱监督！更关键的是，它首次用Mamba这种高效架构建模了轨迹的时序信息，而不是把它当作一堆散点的静态图。看完你会感叹：原来最宝贵的监督信号，就藏在医生最自然的阅片习惯里。
CMU惊人发现：不给图也能编诊断，GPT-5.4/Claude 4.7/Gemini 3.1集体翻车
想不想知道，给顶级VLM一个患者描述但完全不给图像，它们会怎么做？这篇CMU的研究发现，模型不仅不会拒绝回答，还会根据种族、年龄、性别编出不同的诊断，甚至存在“表面说看不到图、背地填上病名”的阴阳模式。对医疗AI的可信度当头一棒，值得所有临床AI从业者细读。
GPT-5.4全剂量“虚构”，Claude词触发“看人下菜”
想象一下，你带了一张胸片给AI看病，结果图片没传上去，AI却根据你的年龄和肤色直接编了个诊断——这不是科幻，是今天这篇ICMR 2026论文的实锤发现。Claude、GPT-5.4和Gemini集体“翻车”，而且翻得很有规律：65岁白人男性=黑色素瘤，32岁黑人女性=结节病。更离谱的是，有些AI文字说“没图”，但结构化的诊断字段却填得满满当当。对AI安全感兴
药物代谢预测新突破：MEGA-CL前瞻验证误差仅2.5倍，代码全开源
药物研发早期，ADMET预测的准确性直接决定候选分子的命运。传统的QSAR模型在小数据和高噪声面前往往力不从心，而中国药科大学团队提出的MEGA-CL，用图外部注意力+对比学习，在1亿分子上预训练，不仅刷新了13个标准基准和21个ADMET任务的SOTA，更在前瞻性验证中表现出令人信服的泛化能力——肝清除预测误差仅2.5倍内，CYP450抑制分类准确率73.
伦斯勒理工最新方法：G*2-Net搭建双层图网络，用二阶优化学连接
病理图像分析中，细胞空间结构是关键诊断线索，但传统启发式图结构无法自适应学习。G*2-Net巧妙地将图像级图结构学习转化为二阶双层优化问题，用DARTS式一步展开避免高昂计算，在三个数据集上全面超越现有方法。值得关注的是，其可学习图结构为模型提供了更好的解释性。
CVPR 2026：一招M2B变换消除框形偏置，弱监督分割Dice飙至85.9%
医学图像分割的像素级标注成本高得离谱，边界框标注是更经济的替代，但框形偏置总会让预测结果“方方正正”。深圳大学在CVPR 2026提出的WeakMed，用一招Mask-to-Box变换和尺度一致性损失，巧妙地把框形偏置化解于无形，在9个数据集上全面超越现有弱监督方法，甚至逼近全监督。这对于想低成本部署医学分割的团队来说，简直是及时雨。
CIBB 2026：AI伦理也能代码化？都柏林大学提出计算伦理框架
龙哥之前吐槽过，AI伦理大多停留在原则文档阶段，无法落地验证。这篇论文直接上Z3求解器，把伦理规则编译成逻辑公式，跑一个sat/unsat就知道系统有没有违规。用金融心理健康数据做案例，验证了知情同意、公平等约束的机器可检查性。虽然还缺真实数据测试，但方向很正——让伦理不再只是文档，而是可执行的代码。
心脏电生理模拟泛化能力提升4-6倍！物理信息学习遇上变形梯度
当你的AI模型面对不同形状的训练数据时，是不是每次都要重新训练？挪威团队提出潜变量PDE映射，只需把不同几何的物理方程通过变形梯度“拉”到一个标准形状上，就能让模型用超少样本学会处理新形状。在心脏电生理模拟上，对旋转几何的误差直降4倍！物理信息机器学习爱好者不容错过。
