University Hospital Bonn

5 篇关联报道

International Journal of Computer Assisted Radiology and Surgery 2026年10月17日
阿尔茨海默病分类模型不再把年龄当捷径：残差化去偏让认知正常与轻度认知障碍组的年龄相关性接近零
在三个独立队列的结构MRI上，阿尔茨海默病分类模型会把年龄当作捷径：年龄越大，被赋予的患病风险越高。把年龄效应在特征空间里做线性残差化（PMDN）后，认知正常与轻度认知障碍组的年龄—预测相关性降到接近零，平衡准确率0.71、Brier分数约0.22，且折间波动明显小于对抗训练方案CF-Net。事后校准进一步压低概率误差，但等渗回归与贝叶斯分箱这类非参数方法效果最好。
在三个独立队列的结构MRI上，阿尔茨海默病分类模型会把年龄当作捷径：年龄越大，被赋予的患病风险越高。把年龄效应在特征空间里做线性残差化（PMDN）后，认知正常与轻度认知障碍组的年龄—预测相关性降到接近零，平衡准确率0.71、Brier分数约0.22，且折间波动明显小于对抗训练方案CF-Net。事后校准进一步压低概率误差，但等渗回归与贝叶斯分箱这类非参数方法效果最好。
Charité - Universitätsmedizin Berlin Otto-von-Guericke-Universität Magdeburg University of Aveiro University of Cologne University of Edinburgh University Hospital Bonn University of Göttingen Universitätsmedizin Göttingen Sophia Stöcklein Maria Gemenetzi Ole H. Martensen Annika Spottke Björn H. Schott Jaya C. Terli Jens Wiltfang Emrah Düzel
模型校准机器学习卷积神经网络
arXiv 2026年9月25日
K-MaT 用最优传输对齐提示流形，在无低端训练图像条件下把医学视觉语言模型迁移到低端模态
K-MaT 是一个提示学习框架，通过分解提示、将其锚定到临床文本描述，并用 Fused Gromov-Wasserstein 最优传输把低端提示流形对齐到视觉接地的高端空间，从而在不需要低端训练图像的情况下把决策结构迁移到低端模态；在四个跨模态基准（含皮肤镜、乳腺摄影到超声、CT 到胸片）上取得最优结果，平均准确率调和均值从 BiomedCoOp 的 42.0% 提升到 44.1%，宏 F1 达 36.2%，并在乳腺成像任务上缓解了 CoOp 在低端跌至 27.0% 准确率的灾难性遗忘。
K-MaT 是一个提示学习框架，通过分解提示、将其锚定到临床文本描述，并用 Fused Gromov-Wasserstein 最优传输把低端提示流形对齐到视觉接地的高端空间，从而在不需要低端训练图像的情况下把决策结构迁移到低端模态；在四个跨模态基准（含皮肤镜、乳腺摄影到超声、CT 到胸片）上取得最优结果，平均准确率调和均值从 BiomedCoOp 的 42.0% 提升到 44.1%，宏 F1 达 36.2%，并在乳腺成像任务上缓解了 CoOp 在低端跌至 27.0% 准确率的灾难性遗忘。
University Hospital Bonn University of Bonn Shadi Albarqouni Jiajun Zeng
Advanced Neural Network Applications Domain Adaptation and Few-Shot Learning Multimodal Machine Learning Applications
arXiv 2026年9月25日
PromptGate 用联邦可学习提示把开放集联邦主动学习的查询纯度从约 60% 提升到 95% 以上
PromptGate 提出一种面向开放集联邦主动学习（OS-FAL）的客户端自适应视觉-语言门控模块：在冻结的 BiomedCLIP 上以类特定上下文（CSC）方式学习全局提示（经 FedAvg 聚合）与客户端本地提示，用 VLM 伪标签在查询前把未标注池过滤成高纯度 ID 候选池，再交给任意下游主动学习策略；在 FedISIC 与 FedEMBED 两个联邦医学影像基准上，静态 VLM 提示的 ID 纯度会退化到约 50%，而 PromptGate 保持 95% 以上纯度并达到 98% 的 OOD 召回。
PromptGate 提出一种面向开放集联邦主动学习（OS-FAL）的客户端自适应视觉-语言门控模块：在冻结的 BiomedCLIP 上以类特定上下文（CSC）方式学习全局提示（经 FedAvg 聚合）与客户端本地提示，用 VLM 伪标签在查询前把未标注池过滤成高纯度 ID 候选池，再交给任意下游主动学习策略；在 FedISIC 与 FedEMBED 两个联邦医学影像基准上，静态 VLM 提示的 ID 纯度会退化到约 50%，而 PromptGate 保持 95% 以上纯度并达到 98% 的 OOD 召回。
University Hospital Bonn University of Bonn David Dueñas Gaviria Jiajun Zeng Shadi Albarqouni Adea Nesturi
Privacy-Preserving Technologies in Data Machine Learning and Algorithms Machine Learning in Healthcare
Die Ophthalmologie 2026年9月17日
德国眼科医生对AI环境记录系统的接受度与需求调查
该研究通过对德国某区域医师网络中34名眼科医生（中位年龄49岁，47%为女性）进行匿名在线问卷调查，发现多数受访者将20–39%的工作时间用于临床文档记录，约四分之三对可靠且安全的环境记录系统表示出使用兴趣，主要感知益处是减少文档时间和增加患者诊疗时间，主要障碍是AI可靠性、与现有IT系统的整合及数据保护方面的顾虑，且受访者更偏好本地部署方案而非云端方案。
该研究通过对德国某区域医师网络中34名眼科医生（中位年龄49岁，47%为女性）进行匿名在线问卷调查，发现多数受访者将20–39%的工作时间用于临床文档记录，约四分之三对可靠且安全的环境记录系统表示出使用兴趣，主要感知益处是减少文档时间和增加患者诊疗时间，主要障碍是AI可靠性、与现有IT系统的整合及数据保护方面的顾虑，且受访者更偏好本地部署方案而非云端方案。
Universitäts-Augenklinik Bonn University Hospital Bonn Fraunhofer Institute for Intelligent Analysis and Information Systems Bonn Aachen International Center for Information Technology Frank G. Holz Simon Haas Corinna Lewis Schmalohr Tobias Schneider Lorenz Sparrenberg Jan Henrik Terheyden Matthias Marten Mauschitz Steffen Emil Künzel
Human Gene Therapy 2026年9月14日
InsightRP2：面向RP2相关视网膜病变治疗的跨学科整合框架
这篇Perspective文章提出InsightRP2框架，将临床数据、人工智能支持的影像分析、实验性疾病建模与腺相关病毒（AAV）设计整合为一个高度互动的转化研究策略，旨在推动针对RP2相关视网膜色素变性的靶向基因治疗开发。
Bilecik Şeyh Edebali Üniversitesi Medizinische Hochschule Hannover Universitätsklinikum Tübingen Fraunhofer Institute for Translational Medicine and Pharmacology University Hospital Bonn University of Göttingen Universitätsmedizin Göttingen LMU Klinikum Marianne Gaubert Maximilian J. Gerhardt Carolin Strohmeyer Rozhin Bayati Alisa Fedorenko Stylianos Michalakis Emrah Kaygusuz Lukas Cyganek

已读完全部报道

阿尔茨海默病分类模型不再把年龄当捷径：残差化去偏让认知正常与轻度认知障碍组的年龄相关性接近零

K-MaT 用最优传输对齐提示流形，在无低端训练图像条件下把医学视觉语言模型迁移到低端模态

PromptGate 用联邦可学习提示把开放集联邦主动学习的查询纯度从约 60% 提升到 95% 以上

德国眼科医生对AI环境记录系统的接受度与需求调查

InsightRP2：面向RP2相关视网膜病变治疗的跨学科整合框架