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。
标签：AI医疗
共 93 篇
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！
告别显存焦虑！PPDM让3D扩散模型在普通显卡上跑出SOTA
3D扩散模型做医学图像翻译效果虽好，但训练时显存随分辨率三次方暴增，一张H100都勉强。PPDM (Pixel Puzzling Diffusion Model) 用像素拼图妙招，把空间尺寸“平移”成通道数，显存从49GB直降到6.94GB，效果还更稳。不是炫技，是真正解决落地痛点的好工作。
GPU“吃不饱”？一招优化，4D超声重建飙到千赫兹！
继去年8月聊过用高斯泼溅做无监督3D超声重建之后，本期带来一篇更硬核的工程优化论文——直接在GPU层面把4D超声重建速度拉满。作者没有引入花哨的网络结构，而是从内存访问模式下手，精准诊断出传统延迟求和算法让GPU“吃不饱”的症结，并用数据重排、混合精度和Tensor Core三招巧妙化解。实验直接在RTX 4080 Super上跑出了千赫兹帧率，比现有库快3
