Jaccard 0.8546：皮肤病灶分割的多级融合方案
这篇文章把扩散模型、双路径编码和跨层特征融合揉到一起，专门对付皮肤病灶那种“边界糊成一锅粥”的老难题。实验结果也挺硬，三个公开数据集上平均Jaccard和Dice都很能打，值得看看它到底怎么把病灶边缘抠细。
标签：AI医疗
共 86 篇
CORTEX来了：3D胸部CT推理首次变成可验证结构
这篇工作最有意思的地方，不是又做了一个医疗问答集，而是把“医生怎么想”这件事拆成了能检查、能打分、能复核的结构。对3D胸部CT来说，这比只看最终答案靠谱多了。
ECNU新方法：医学切片超分辨率提升1.07dB
这篇论文把医学切片超分辨率从“随便补细节”改成“先守规矩再补脑补”，特别适合临床场景。零空间约束负责不乱改原始观测，样条混合负责把缺失层补得更像那么回事。
清华协和新模型RaDaR：32B也能做罕见病诊断
罕见病最怕的不是治不了，而是来得太晚。RaDaR把自由文本、合成数据和推理增强揉成一套开源方案，还做了随机医生辅助试验，终于不是“纸上谈兵”的医疗大模型了。
IIT Indore新作：摄像头测呼吸，不再"看肤色下菜碟"！MAE直降42.1%
传统摄像头测呼吸，一到深肤色就"翻车"——信号弱、噪声大，原因在于方法"一刀切"，不懂因肤制宜。IIT Indore这篇ELITE-RR，用肤色感知投影+运动信号去噪+双表征对比学习，三招齐下，把呼吸率估计误差直接砍掉42.1%，还开源了首个印度族裔呼吸数据集。方法设计干净利落，实验全面无死角，干货满满，值得一读！
GPT-5.2翻车？阿德莱德大学用解剖导联组CNN完胜零样本大模型
GPT-5.2这波属实翻车了。阿德莱德大学团队用标准的CNN模型就能把ECG图像分类做得稳稳的，零样本大模型却直接沦为了”随机猜测”。这篇论文不仅给火热的LLM医学应用浇了盆冷水，还提出一个生理学感知的LeadGroupECG架构，效果扎实。
脑胶质瘤IDH突变预测：图像基础模型 vs 影像组学，到底谁更靠谱？
影像基础模型（比如专为MRI设计的）在预测脑胶质瘤IDH突变时，居然打不过一个基于影像组学的表格基础模型？瑞士伯尔尼大学团队的最新研究做了个扎心的对比：四个主流视觉基础模型轮番上阵，结果被TabPFN表格模型轻松反杀。是基础模型“水土不服”，还是“老”方法被低估了？这篇关于胶质瘤IDH预测的系统性基准研究，值得所有关注AI医疗落地的读者一看。
最新基准测试：预测脑胶质瘤IDH突变，传统放射组学竟效果优于四大MRI基础模型
让最先进的MRI基础模型和“老古董”放射组学同台竞技，结果传统方法完胜？这篇论文对所有搞医学影像AI的人来说，都是一盆清醒的冷水。它告诉你，大模型未必是万能药，基线方法才是真正的试金石。
德国应用科技大学最新U-Net变体：乘法交互显式建模，Dice飙升至0.942，计算量几乎不变
U-Net家族新成员驾到！还在为U-Net只能做加法特征变换而苦恼？德国应用科技大学团队祭出PU-UNet，让U-Net学会乘法交互。参数、FLOPs几乎不变，但Dice分数狂飙，正常病例假阳性率直接干到零。不烧钱，不折腾，是时候考虑给网络加个“乘法器”了。
视频修复新范式：GPVAE自带置信度，医生再也不用猜哪帧靠谱
内窥镜视频常被反光、丢帧搞得“面目全非”，传统方法却“各扫门前雪”，忽略了帧之间的连续关系。2026年6月，安特卫普大学等机构联合提出GPVAE框架，给潜变量加上高斯过程这个“时间绳”，让模型学会用前后帧“脑补”受损画面。最终C3VDv2上误差最高降26%，更关键的是，它每帧还自带“可信度”标签，为临床决策提供额外保险。
华北电力大学最新综述：医学图像分割从U-Net到SAM的“三国杀”，谁才是王者？
医学图像分割从U-Net一路卷到SAM，中间经历了什么？这篇来自华北电力大学的综述，把U-Net、Transformer、SAM三大流派放在一个框架里对比，从数据集、评估指标到临床应用挑战，掰开揉碎给你看。如果你正被“该选哪个模型”困扰，这篇就是你的"地图"。
Yoshua Bengio团队提出S3-GFN：软约束GFlowNet让分子生成95%以上可合成！
Yoshua Bengio团队这次没走“硬核合成路线”的老路，而是搞了套软约束后训练，直接让AI生成的分子95%以上都能进实验室合成，还顺手把对接分数提到了新高度。分子设计终于要告别“纸上谈兵”了吗？来看看S3-GFN是怎么“软硬兼施”的！
