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.
标签：AI医疗
共 86 篇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。
植入体通信标准怎么定？IEEE 802.15.6信道模型全揭秘
智能手表测心率已经够酷了？那如果告诉你在身体内部植入一个小设备，它可以通过无线信号实时监控你的健康状况，甚至传输高清影像，你会不会觉得这更像是科幻电影？其实，这个技术早就不是幻想了，关键就在于怎么让信号在复杂的人体组织里准确无误地传播。今天这篇来自IEEE 802.15.6标准化组的研究，就全面回顾了植入体通信的无线传播模型，甚至动用了3D虚拟现实平台和活体
武汉大学提出MissHyper：一招修复临床时序预测的“预传播瓶颈”，SOTA三连杀！
病历数据又乱又稀疏？ICU里仪器报警此起彼伏，却常常漏掉关键趋势？武汉大学团队提出的MissHyper，在时序预测前就把同一时间戳的各种指标“合体”成病例快照，让超图模型一上来就有全局视野，三个临床基准统统领先！
CVPR 2026：近零折叠+精度效果优于现有方法，SGDIR带你告别积分烦恼
医学图像配准领域又迎来一位强力选手！阿尔伯塔大学团队在CVPR 2026上提出SGDIR，仅用半群正则化就搞定了微分同胚配准，彻底摆脱繁琐的积分和辅助约束。严格模式下几乎零折叠，放松模式精度吊打SOTA，训练推理还快一倍。这篇理论扎实、实验全面，值得仔细品味。
可穿戴ECG去噪对比：DWT降噪最强，SDAE形态最佳
在穿戴健康和航天监测等场景中，ECG去噪是关键预处理步骤。这篇论文用真实上臂数据对比了六种方法，结论一反常规：深度学习未必在所有指标上胜出，小波变换在降噪强度上反而更强。而且实验设计得很严谨，放松和肌肉收缩两种真实噪声条件都有，这比合成噪声实验更有说服力。如果你正在做可穿戴ECG相关的研究，这篇对比能帮你少走弯路。
女王大学新突破：Agent带路，让AI学会看懂肿瘤切缘，零人工标注
手术台上，医生切开肿瘤时最怕什么？切不干净或切太多。加拿大女王大学的团队最新研究，让AI助手学会了“看懂”组织切下来的烟雾——质谱数据，就能在手术中实时判断切缘是否干净。而且，AI不再是个黑盒子，它能用“概念”解释自己的判断依据，就像老医生带徒弟一样。最酷的是，这些概念是AI自己发现的，完全不需要专家花时间打标签。
72B参数大模型当导师，无需人工标注，概念学习零门槛
手术台上，医生盯着质谱仪实时反馈的代谢数据，问AI“为什么判断这里是肿瘤？”——以前只能得到一个黑盒概率。现在皇后大学团队让AI学会自己发现代谢概念，甚至能用知识图谱解释“看到了异常的氨基酸信号”。关键是不需要人工标注概念，这招解决了质谱分析的一大痛点。方法新、实验实、还给出术中案例，值得关注。
Siemens新方法：2D模型做3D分类，1.3M参数拿下12任务
3D医学分类最容易踩坑的地方，这篇论文几乎都点到了：不是模型越大越好，而是适配方式常常更关键。更狠的是，作者直接把“2D模型不如3D模型”的老观念掀了桌子。
