西南科大新研究：去掉文本Dice从91.61%暴跌至40.76%，医学图像分割真的离不开文字？
每次看到给医学图像分割加文本引导的工作，龙哥都会问一句：那行文字到底起多大作用？这篇论文用5个预训练医学视觉语言模型和4种融合算子做了系统性交叉实验，还提出一个轻量诊断工具做证据解耦，把“换融合头不涨点、去文本却崩盘”这类反直觉现象掰开揉碎了讲清楚，值得做多模态医学影像的读者花几分钟细读。
标签：AI医疗
共 86 篇
低剂量CT去噪告别配对数据！物理驱动新框架：17项指标反超监督基线
低剂量CT（LDCT）的临床价值不用多说——辐射剂量降低了，患者风险下来了，可图像里的噪声就上去了。泊松-高斯混合噪声趴在投影数据里，重建出来的图像出现条纹和伪影，直接影响医生下诊断。传统去噪方法靠人工先验，效果有限；
U-Net分割血管总断条？UI-VISA让区域生长给血管“接骨”，clDice显著提升还快3~5倍
要说清楚这篇论文在解决什么问题，得先从一张血管造影图说起。
多智能体还在"群聊"误诊？华南理工新框架把会诊画成推理图，转诊准确率飙到95.3%
一堆AI医生会诊，居然还会“抱团跑偏”？把肺癌晚期患者往肿瘤科一推，完全无视血氧已经掉到危险线。华南理工等机构最近祭出新框架MASGR，把松散群聊升级成结构化推理图，再请来“仲裁官”把关，转诊准确率一口气顶到95.3%。
PCI评估AI落地前，先搞懂这1分能改变什么
这可能是影像AI圈最该细品的一类研究：不看Dice涨了多少，而是问Dice涨了之后，医生做决策到底变没变。荷兰团队用10例增强CT、4位专家、1个nnU-Net模型，外加一套概率模拟，把分割边界差异直接翻译成临床评分差异。结论相当反直觉——几何差异不小，但rPCI总分平均波动不到1分，决策翻转全挤在PCI 20这个生死线附近。不卷精度的论文，反而把精度指标的
10%合成图像就够？nnU-Net心脏分割MRI提升0.27个百分点
全心脏分割（ Whole-Heart Segmentation，WHS ）是医学影像分析中的一项经典任务：给定一张心脏区域的CT或MRI扫描图，模型需要把七个关键结构完整勾画出来——左心室心肌（ Myocardium，M。
西交&中大MICCAI 2026：死后组织“生前还原”，专家盲选23.81%胜出
法医病理误判的潜在风险，被一次脑洞大开的「图像翻译」给盯上了。本论文首次把薛定谔桥搬进死后自溶恢复，不搞像素级配对，直接学分布映射，还建了首个真实数据集AutoPath。更狠的是，它证明FID这类老牌指标在诊断场景里可能「帮倒忙」——专家盲评和滑片级诊断一致性，才是硬通货。
明尼苏达大学CM-RED：4步MRI重建，效果亮眼1000步扩散模型
扩散模型做MRI重建效果好，但动辄几百上千步的迭代采样让临床落地遥遥无期。明尼苏达大学这篇CM-RED，把一致性模型塞进RED优化框架，4步出图，PSNR/SSIM全面超越1000步的DPS和100步的DDS，计算量直降25—250倍。生成式MRI重建的“速度焦虑”，这次是真的被治好了。
抛弃端到端！这个医学影像智能体让AI终于分清肝脏脾脏左右
先问大家一个问题：如果你是一个放射科医生，看到一张腹部CT片子，有人问你“肝脏在脾脏的左边还是右边？”，你会怎么回答？
浙大开源24小时心电基准：GPT-5也翻车，微调后准确率99.7%
24小时动态心电（Holter）是诊断心律失常的金标准，但多模态大模型在超长时序信号面前几乎“失灵”。浙大等团队开源Holtercare-Bench基准与Holtercare-23K数据集，用信号-视频-文本三模态对齐，让GPT-5、Qwen3-VL等模型首次系统性接受“心电马拉松”考验——微调后时序定位准确率飙到99.7%，差距比想象中更大。
乔治梅森大学新框架：o1-preview效果亮眼GPT-4o，医疗问答准确率飙升
这就是社区问答（Community Question-Answering，简称CQA）平台面临的真实困境。
肿瘤科福音：格拉斯哥大学AI自动分析CT肌肉脂肪，5秒出结果
AI医疗卷得飞起，但不少方案动辄几十G显存起步，医院看了直摇头。这篇格拉斯哥大学的工作反其道而行：用GTX 1070就能跑的四款经典CNN，把结直肠癌患者CT里的肌肉与脂肪指标自动算出来，误差低至4.96%，还顺手做了个网页工具。低成本落地范本，值得一读。
