医学与健康

461 条内容

BMC Medical Informatics and Decision Making 2026年9月24日
该工作提出 CleanSurvival，一个基于强化学习（Q-learning）的自动化数据预处理框架，专门面向删失数据的时间到事件（生存分析）模型：它从数据插补、异常值检测与特征提取技术的组合中，为 Cox、随机森林、神经网络或用户自定的时间到事件模型挑选最优预处理流程；在真实数据集基准上，这种基于 Q-learning 的预处理相对简单基线提升了预测表现，运行时间行为依条件而定，并在覆盖最充分的基准单元中最清晰可解释；模拟研究进一步显示其在不同类型与程度的缺失和噪声下均有效。
该工作提出 CleanSurvival，一个基于强化学习（Q-learning）的自动化数据预处理框架，专门面向删失数据的时间到事件（生存分析）模型：它从数据插补、异常值检测与特征提取技术的组合中，为 Cox、随机森林、神经网络或用户自定的时间到事件模型挑选最优预处理流程；在真实数据集基准上，这种基于 Q-learning 的预处理相对简单基线提升了预测表现，运行时间行为依条件而定，并在覆盖最充分的基准单元中最清晰可解释；模拟研究进一步显示其在不同类型与程度的缺失和噪声下均有效。
CleanSurvival 用强化学习为生存分析自动挑选预处理流程，在真实数据基准上相对简单基线提升预测表现
该工作提出 CleanSurvival，一个基于强化学习（Q-learning）的自动化数据预处理框架，专门面向删失数据的时间到事件（生存分析）模型：它从数据插补、异常值检测与特征提取技术的组合中，为 Cox、随机森林、神经网络或用户自定的时间到事件模型挑选最优预处理流程；在真实数据集基准上，这种基于 Q-learning 的预处理相对简单基线提升了预测表现，运行时间行为依条件而定，并在覆盖最充分的基准单元中最清晰可解释；模拟研究进一步显示其在不同类型与程度的缺失和噪声下均有效。
该工作提出 CleanSurvival，一个基于强化学习（Q-learning）的自动化数据预处理框架，专门面向删失数据的时间到事件（生存分析）模型：它从数据插补、异常值检测与特征提取技术的组合中，为 Cox、随机森林、神经网络或用户自定的时间到事件模型挑选最优预处理流程；在真实数据集基准上，这种基于 Q-learning 的预处理相对简单基线提升了预测表现，运行时间行为依条件而定，并在覆盖最充分的基准单元中最清晰可解释；模拟研究进一步显示其在不同类型与程度的缺失和噪声下均有效。
arXiv 2026年9月24日
该研究在WORD、AMOS、CT-1K和AbdomenAtlas四个腹部CT数据集上，用nnU-Net、MedSAM、TotalSegmentator及四个规模的STU-Net共七个模型生成伪标签，构造不同质量的标签版本，再以DynUNet在相同确定性训练设置下分别做域内训练和预训练加微调；结果显示域内性能与标签质量强正相关且呈非线性、数据量可部分补偿质量，而预训练后微调在绝大多数设置下显著优于无预训练基线，且预训练标签质量高低不再明显影响下游结果。
该研究在WORD、AMOS、CT-1K和AbdomenAtlas四个腹部CT数据集上，用nnU-Net、MedSAM、TotalSegmentator及四个规模的STU-Net共七个模型生成伪标签，构造不同质量的标签版本，再以DynUNet在相同确定性训练设置下分别做域内训练和预训练加微调；结果显示域内性能与标签质量强正相关且呈非线性、数据量可部分补偿质量，而预训练后微调在绝大多数设置下显著优于无预训练基线，且预训练标签质量高低不再明显影响下游结果。
用七个模型替换四个腹部CT数据集的人工标注后，预训练对标签质量的依赖消失，而直接部署仍高度依赖
该研究在WORD、AMOS、CT-1K和AbdomenAtlas四个腹部CT数据集上，用nnU-Net、MedSAM、TotalSegmentator及四个规模的STU-Net共七个模型生成伪标签，构造不同质量的标签版本，再以DynUNet在相同确定性训练设置下分别做域内训练和预训练加微调；结果显示域内性能与标签质量强正相关且呈非线性、数据量可部分补偿质量，而预训练后微调在绝大多数设置下显著优于无预训练基线，且预训练标签质量高低不再明显影响下游结果。
该研究在WORD、AMOS、CT-1K和AbdomenAtlas四个腹部CT数据集上，用nnU-Net、MedSAM、TotalSegmentator及四个规模的STU-Net共七个模型生成伪标签，构造不同质量的标签版本，再以DynUNet在相同确定性训练设置下分别做域内训练和预训练加微调；结果显示域内性能与标签质量强正相关且呈非线性、数据量可部分补偿质量，而预训练后微调在绝大多数设置下显著优于无预训练基线，且预训练标签质量高低不再明显影响下游结果。
arXiv 2026年9月24日
该工作从 BIOMEDICA 语料出发，用基于 DAB-DETR 的子图检测、Qwen2.5-VL-32B-Instruct 的子图注提取和 Qwen2.5-14B-Instruct 的正文上下文摘要，构建并公开了含 1800 万子图-文本对的 OPEN-PMC-18M 数据集，并在放射、显微与可见光摄影三类模态的 6 项检索与 19 项零样本分类任务上训练视觉-语言编码器，报告检索平均召回 21.64、较此前最佳模型 OPEN-PMC 相对提升 27%，零样本分类总体平均 F1 达 39.77。
该工作从 BIOMEDICA 语料出发，用基于 DAB-DETR 的子图检测、Qwen2.5-VL-32B-Instruct 的子图注提取和 Qwen2.5-14B-Instruct 的正文上下文摘要，构建并公开了含 1800 万子图-文本对的 OPEN-PMC-18M 数据集，并在放射、显微与可见光摄影三类模态的 6 项检索与 19 项零样本分类任务上训练视觉-语言编码器，报告检索平均召回 21.64、较此前最佳模型 OPEN-PMC 相对提升 27%，零样本分类总体平均 F1 达 39.77。
Open-PMC-18M 用子图拆分与上下文摘要构建 1800 万医学图文对，检索平均召回提升 27%
该工作从 BIOMEDICA 语料出发，用基于 DAB-DETR 的子图检测、Qwen2.5-VL-32B-Instruct 的子图注提取和 Qwen2.5-14B-Instruct 的正文上下文摘要，构建并公开了含 1800 万子图-文本对的 OPEN-PMC-18M 数据集，并在放射、显微与可见光摄影三类模态的 6 项检索与 19 项零样本分类任务上训练视觉-语言编码器，报告检索平均召回 21.64、较此前最佳模型 OPEN-PMC 相对提升 27%，零样本分类总体平均 F1 达 39.77。
该工作从 BIOMEDICA 语料出发，用基于 DAB-DETR 的子图检测、Qwen2.5-VL-32B-Instruct 的子图注提取和 Qwen2.5-14B-Instruct 的正文上下文摘要，构建并公开了含 1800 万子图-文本对的 OPEN-PMC-18M 数据集，并在放射、显微与可见光摄影三类模态的 6 项检索与 19 项零样本分类任务上训练视觉-语言编码器，报告检索平均召回 21.64、较此前最佳模型 OPEN-PMC 相对提升 27%，零样本分类总体平均 F1 达 39.77。
arXiv 2026年9月24日
该工作提出一种检索增强的文本到CT生成方法：给定放射学报告，用预训练3D视觉语言编码器从参考语料中检索语义最相近的病例，把该病例的解剖标注作为结构代理，经ControlNet分支注入文本条件潜扩散模型；在CT-RATE数据集（27,514例训练、1,818例测试）上，检索增强生成在图像保真度（FID 3D 0.004）、临床一致性（CT-Net AUC 0.787）和空间可控性（Dice 0.772、HD95 3.072）上均优于纯文本基线，并首次为这类方法带来显式空间可控性。
该工作提出一种检索增强的文本到CT生成方法：给定放射学报告，用预训练3D视觉语言编码器从参考语料中检索语义最相近的病例，把该病例的解剖标注作为结构代理，经ControlNet分支注入文本条件潜扩散模型；在CT-RATE数据集（27,514例训练、1,818例测试）上，检索增强生成在图像保真度（FID 3D 0.004）、临床一致性（CT-Net AUC 0.787）和空间可控性（Dice 0.772、HD95 3.072）上均优于纯文本基线，并首次为这类方法带来显式空间可控性。
检索增强的解剖引导让文本生成CT在保真度、临床一致性与空间可控性上同时超过纯文本基线
该工作提出一种检索增强的文本到CT生成方法：给定放射学报告，用预训练3D视觉语言编码器从参考语料中检索语义最相近的病例，把该病例的解剖标注作为结构代理，经ControlNet分支注入文本条件潜扩散模型；在CT-RATE数据集（27,514例训练、1,818例测试）上，检索增强生成在图像保真度（FID 3D 0.004）、临床一致性（CT-Net AUC 0.787）和空间可控性（Dice 0.772、HD95 3.072）上均优于纯文本基线，并首次为这类方法带来显式空间可控性。
该工作提出一种检索增强的文本到CT生成方法：给定放射学报告，用预训练3D视觉语言编码器从参考语料中检索语义最相近的病例，把该病例的解剖标注作为结构代理，经ControlNet分支注入文本条件潜扩散模型；在CT-RATE数据集（27,514例训练、1,818例测试）上，检索增强生成在图像保真度（FID 3D 0.004）、临床一致性（CT-Net AUC 0.787）和空间可控性（Dice 0.772、HD95 3.072）上均优于纯文本基线，并首次为这类方法带来显式空间可控性。
Frontiers in Psychology 2026年9月24日
该研究提出“重力感知（gravity-awareness）”框架，用两个基于抛物线飞行文献训练的模型——Fourier特征增强的多层感知机CorticalG预测EEG频段功率随g值的变化、11个独立高斯过程PhysioG预测心率变异性、皮肤电导与运动等生理指标——并让Claude 3.5 Sonnet根据这些生理参数生成0 g、月球0.16 g、火星0.38 g与高重力下的第一人称主观体验叙事，结果显示微重力下alpha（DMN）与mu（SMN）功率被抑制、高重力下beta（PFC）与gamma升高，皮肤电导呈V形（1.8 g时右手电导上升超过200%），躯干活动呈倒U形（0 g下降超过50%）。
该研究提出“重力感知（gravity-awareness）”框架，用两个基于抛物线飞行文献训练的模型——Fourier特征增强的多层感知机CorticalG预测EEG频段功率随g值的变化、11个独立高斯过程PhysioG预测心率变异性、皮肤电导与运动等生理指标——并让Claude 3.5 Sonnet根据这些生理参数生成0 g、月球0.16 g、火星0.38 g与高重力下的第一人称主观体验叙事，结果显示微重力下alpha（DMN）与mu（SMN）功率被抑制、高重力下beta（PFC）与gamma升高，皮肤电导呈V形（1.8 g时右手电导上升超过200%），躯干活动呈倒U形（0 g下降超过50%）。
CorticalG与PhysioG双模型预测重力下EEG与生理响应，并用Claude 3.5 Sonnet生成失重主观体验叙事
该研究提出“重力感知（gravity-awareness）”框架，用两个基于抛物线飞行文献训练的模型——Fourier特征增强的多层感知机CorticalG预测EEG频段功率随g值的变化、11个独立高斯过程PhysioG预测心率变异性、皮肤电导与运动等生理指标——并让Claude 3.5 Sonnet根据这些生理参数生成0 g、月球0.16 g、火星0.38 g与高重力下的第一人称主观体验叙事，结果显示微重力下alpha（DMN）与mu（SMN）功率被抑制、高重力下beta（PFC）与gamma升高，皮肤电导呈V形（1.8 g时右手电导上升超过200%），躯干活动呈倒U形（0 g下降超过50%）。
该研究提出“重力感知（gravity-awareness）”框架，用两个基于抛物线飞行文献训练的模型——Fourier特征增强的多层感知机CorticalG预测EEG频段功率随g值的变化、11个独立高斯过程PhysioG预测心率变异性、皮肤电导与运动等生理指标——并让Claude 3.5 Sonnet根据这些生理参数生成0 g、月球0.16 g、火星0.38 g与高重力下的第一人称主观体验叙事，结果显示微重力下alpha（DMN）与mu（SMN）功率被抑制、高重力下beta（PFC）与gamma升高，皮肤电导呈V形（1.8 g时右手电导上升超过200%），躯干活动呈倒U形（0 g下降超过50%）。
arXiv 2026年9月24日
该研究构建了一个来自1,888名参与者（其中727人患帕金森病）的32,847段网络摄像头视频数据集，覆盖16项标准化临床任务，并以冻结特征加线性分类头的方式系统评测了七种视频基础模型（VideoPrism、V-JEPA2及其SSv2变体、ViViT、VideoMAE、VideoMAEv2、TimeSformer），结果显示任务显著性与模型架构高度相关：VideoPrism在视觉言语运动学和面部表情任务上表现最佳，V-JEPA2系列在上肢运动任务上更强，TimeSformer在手指敲击等节律性任务上仍具竞争力，整体AUC为76.4%–85.3%、准确率为71.5%–80.6%，特异性最高达90
该研究构建了一个来自1,888名参与者（其中727人患帕金森病）的32,847段网络摄像头视频数据集，覆盖16项标准化临床任务，并以冻结特征加线性分类头的方式系统评测了七种视频基础模型（VideoPrism、V-JEPA2及其SSv2变体、ViViT、VideoMAE、VideoMAEv2、TimeSformer），结果显示任务显著性与模型架构高度相关：VideoPrism在视觉言语运动学和面部表情任务上表现最佳，V-JEPA2系列在上肢运动任务上更强，TimeSformer在手指敲击等节律性任务上仍具竞争力，整体AUC为76.4%–85.3%、准确率为71.5%–80.6%，特异性最高达90
在1,888名参与者、32,847段视频上评测七种视频基础模型，VideoPrism在16项任务中10项居首，V-JEPA2-SSv2在翻转手掌任务上取得85.3%的AUC
该研究构建了一个来自1,888名参与者（其中727人患帕金森病）的32,847段网络摄像头视频数据集，覆盖16项标准化临床任务，并以冻结特征加线性分类头的方式系统评测了七种视频基础模型（VideoPrism、V-JEPA2及其SSv2变体、ViViT、VideoMAE、VideoMAEv2、TimeSformer），结果显示任务显著性与模型架构高度相关：VideoPrism在视觉言语运动学和面部表情任务上表现最佳，V-JEPA2系列在上肢运动任务上更强，TimeSformer在手指敲击等节律性任务上仍具竞争力，整体AUC为76.4%–85.3%、准确率为71.5%–80.6%，特异性最高达90
该研究构建了一个来自1,888名参与者（其中727人患帕金森病）的32,847段网络摄像头视频数据集，覆盖16项标准化临床任务，并以冻结特征加线性分类头的方式系统评测了七种视频基础模型（VideoPrism、V-JEPA2及其SSv2变体、ViViT、VideoMAE、VideoMAEv2、TimeSformer），结果显示任务显著性与模型架构高度相关：VideoPrism在视觉言语运动学和面部表情任务上表现最佳，V-JEPA2系列在上肢运动任务上更强，TimeSformer在手指敲击等节律性任务上仍具竞争力，整体AUC为76.4%–85.3%、准确率为71.5%–80.6%，特异性最高达90
arXiv 2026年9月24日
该工作提出一个零样本3D CT超分辨率框架：先在大量2D X光数据上训练扩散模型，并用DDNM/DDNM+把低分辨率CT投影上采样为高分辨率投影先验，再用新提出的Negative Alpha Blending高斯泼溅（NAB-GS）以正负密度高斯学习扩散生成HR投影与上采样LR投影之间的符号残差，从而重建HR体积；在UHRCT与MELA两个公开数据集上，其PSNR与SSIM优于三线性、三次插值、NeRF、CuNeRF等零样本方法，与监督方法ArSSR相比具有竞争力，单体积约15分钟完成，两位领域专家的评估认为4×结果具备临床潜力而8×仍需改进。
该工作提出一个零样本3D CT超分辨率框架：先在大量2D X光数据上训练扩散模型，并用DDNM/DDNM+把低分辨率CT投影上采样为高分辨率投影先验，再用新提出的Negative Alpha Blending高斯泼溅（NAB-GS）以正负密度高斯学习扩散生成HR投影与上采样LR投影之间的符号残差，从而重建HR体积；在UHRCT与MELA两个公开数据集上，其PSNR与SSIM优于三线性、三次插值、NeRF、CuNeRF等零样本方法，与监督方法ArSSR相比具有竞争力，单体积约15分钟完成，两位领域专家的评估认为4×结果具备临床潜力而8×仍需改进。
零样本CT超分辨率新框架：用X光扩散先验生成2D投影、再用带负密度的3D高斯学习符号残差，在UHRCT与MELA上取得优于CuNeRF的PSNR/SSIM
该工作提出一个零样本3D CT超分辨率框架：先在大量2D X光数据上训练扩散模型，并用DDNM/DDNM+把低分辨率CT投影上采样为高分辨率投影先验，再用新提出的Negative Alpha Blending高斯泼溅（NAB-GS）以正负密度高斯学习扩散生成HR投影与上采样LR投影之间的符号残差，从而重建HR体积；在UHRCT与MELA两个公开数据集上，其PSNR与SSIM优于三线性、三次插值、NeRF、CuNeRF等零样本方法，与监督方法ArSSR相比具有竞争力，单体积约15分钟完成，两位领域专家的评估认为4×结果具备临床潜力而8×仍需改进。
该工作提出一个零样本3D CT超分辨率框架：先在大量2D X光数据上训练扩散模型，并用DDNM/DDNM+把低分辨率CT投影上采样为高分辨率投影先验，再用新提出的Negative Alpha Blending高斯泼溅（NAB-GS）以正负密度高斯学习扩散生成HR投影与上采样LR投影之间的符号残差，从而重建HR体积；在UHRCT与MELA两个公开数据集上，其PSNR与SSIM优于三线性、三次插值、NeRF、CuNeRF等零样本方法，与监督方法ArSSR相比具有竞争力，单体积约15分钟完成，两位领域专家的评估认为4×结果具备临床潜力而8×仍需改进。
arXiv 2026年9月24日
该工作提出基于 Mamba 的 SRMA-Mamba 网络，用 Spatial Anatomy-Based Mamba（SABMamba）在矢状、冠状、轴状三个解剖平面上做选择性扫描以构建全局空间上下文，并用 Spatial Reverse Mamba Attention（SRMA）结合粗分割图与分层编码特征逐步细化边界，在 CirrMRI600+ 的 T1W 与 T2W 数据上取得优于 SegResNet、UX-Net、MedNeXt、SwinUNETR、SwinUNETRv2 与 SegMamba 的分割指标，同时参数量与 GFLOPs 低于 SegMamba。
该工作提出基于 Mamba 的 SRMA-Mamba 网络，用 Spatial Anatomy-Based Mamba（SABMamba）在矢状、冠状、轴状三个解剖平面上做选择性扫描以构建全局空间上下文，并用 Spatial Reverse Mamba Attention（SRMA）结合粗分割图与分层编码特征逐步细化边界，在 CirrMRI600+ 的 T1W 与 T2W 数据上取得优于 SegResNet、UX-Net、MedNeXt、SwinUNETR、SwinUNETRv2 与 SegMamba 的分割指标，同时参数量与 GFLOPs 低于 SegMamba。
SRMA-Mamba 在 CirrMRI600+ 上把肝硬化肝脏 MRI 分割的 mDSC 提到 92.95%（T1W）与 86.25%（T2W），并同时降低计算量
该工作提出基于 Mamba 的 SRMA-Mamba 网络，用 Spatial Anatomy-Based Mamba（SABMamba）在矢状、冠状、轴状三个解剖平面上做选择性扫描以构建全局空间上下文，并用 Spatial Reverse Mamba Attention（SRMA）结合粗分割图与分层编码特征逐步细化边界，在 CirrMRI600+ 的 T1W 与 T2W 数据上取得优于 SegResNet、UX-Net、MedNeXt、SwinUNETR、SwinUNETRv2 与 SegMamba 的分割指标，同时参数量与 GFLOPs 低于 SegMamba。
该工作提出基于 Mamba 的 SRMA-Mamba 网络，用 Spatial Anatomy-Based Mamba（SABMamba）在矢状、冠状、轴状三个解剖平面上做选择性扫描以构建全局空间上下文，并用 Spatial Reverse Mamba Attention（SRMA）结合粗分割图与分层编码特征逐步细化边界，在 CirrMRI600+ 的 T1W 与 T2W 数据上取得优于 SegResNet、UX-Net、MedNeXt、SwinUNETR、SwinUNETRv2 与 SegMamba 的分割指标，同时参数量与 GFLOPs 低于 SegMamba。
arXiv 2026年9月24日
该工作提出 TG-OT，一个全自动的 CCTA-IVUS 配准框架：先用轻量 CNN 在拓扑 (θ, z) 圆柱上预测钙化、分叉与管腔半径（并额外检测 IVUS 导丝伪影），再把冻结的检测器直接嵌入可微配准流程，以圆柱几何上的非平衡 Sinkhorn 最优传输损失加 Dice 项驱动中心线形变参数优化，辅以管腔半径匹配；在 Erasmus 大学医学中心 IMPACT 研究的 N=47 例配对 CCTA-IVUS 数据、5 折交叉验证下，无需人工交互与任何预先分割即达到纵向 Dicectl=0.99、旋转 Sc=0.96、管腔 DiceL=0.69，并在严重导管旋转漂移病例上优于 Dice-only 基线（Wilcoxon 符号秩 p<0.01）。
该工作提出 TG-OT，一个全自动的 CCTA-IVUS 配准框架：先用轻量 CNN 在拓扑 (θ, z) 圆柱上预测钙化、分叉与管腔半径（并额外检测 IVUS 导丝伪影），再把冻结的检测器直接嵌入可微配准流程，以圆柱几何上的非平衡 Sinkhorn 最优传输损失加 Dice 项驱动中心线形变参数优化，辅以管腔半径匹配；在 Erasmus 大学医学中心 IMPACT 研究的 N=47 例配对 CCTA-IVUS 数据、5 折交叉验证下，无需人工交互与任何预先分割即达到纵向 Dicectl=0.99、旋转 Sc=0.96、管腔 DiceL=0.69，并在严重导管旋转漂移病例上优于 Dice-only 基线（Wilcoxon 符号秩 p<0.01）。
TG-OT 用拓扑圆柱上的非平衡最优传输匹配，在 47 例配对 CCTA-IVUS 上实现无需分割的全自动冠脉配准（Dicectl=0.99、Sc=0.96、DiceL=0.69）
该工作提出 TG-OT，一个全自动的 CCTA-IVUS 配准框架：先用轻量 CNN 在拓扑 (θ, z) 圆柱上预测钙化、分叉与管腔半径（并额外检测 IVUS 导丝伪影），再把冻结的检测器直接嵌入可微配准流程，以圆柱几何上的非平衡 Sinkhorn 最优传输损失加 Dice 项驱动中心线形变参数优化，辅以管腔半径匹配；在 Erasmus 大学医学中心 IMPACT 研究的 N=47 例配对 CCTA-IVUS 数据、5 折交叉验证下，无需人工交互与任何预先分割即达到纵向 Dicectl=0.99、旋转 Sc=0.96、管腔 DiceL=0.69，并在严重导管旋转漂移病例上优于 Dice-only 基线（Wilcoxon 符号秩 p<0.01）。
该工作提出 TG-OT，一个全自动的 CCTA-IVUS 配准框架：先用轻量 CNN 在拓扑 (θ, z) 圆柱上预测钙化、分叉与管腔半径（并额外检测 IVUS 导丝伪影），再把冻结的检测器直接嵌入可微配准流程，以圆柱几何上的非平衡 Sinkhorn 最优传输损失加 Dice 项驱动中心线形变参数优化，辅以管腔半径匹配；在 Erasmus 大学医学中心 IMPACT 研究的 N=47 例配对 CCTA-IVUS 数据、5 折交叉验证下，无需人工交互与任何预先分割即达到纵向 Dicectl=0.99、旋转 Sc=0.96、管腔 DiceL=0.69，并在严重导管旋转漂移病例上优于 Dice-only 基线（Wilcoxon 符号秩 p<0.01）。
arXiv 2026年9月24日
该工作提出一种无样本持续学习框架，用于全切片图像到病理报告的生成：在冻结的图块嵌入空间中为每个域构建紧凑“域足迹”（k-means 码本、切片级码字直方图库、图块数量统计与报告风格原型），据此合成伪全切片并由上一轮教师快照生成伪报告进行生成式回放，同时用风格前缀条件化语言模型；在多个公开持续学习基准上，该方法优于无样本与有限缓冲回放基线，并支持无需显式域标识的域无关推理。
该工作提出一种无样本持续学习框架，用于全切片图像到病理报告的生成：在冻结的图块嵌入空间中为每个域构建紧凑“域足迹”（k-means 码本、切片级码字直方图库、图块数量统计与报告风格原型），据此合成伪全切片并由上一轮教师快照生成伪报告进行生成式回放，同时用风格前缀条件化语言模型；在多个公开持续学习基准上，该方法优于无样本与有限缓冲回放基线，并支持无需显式域标识的域无关推理。
用冻结嵌入空间中的紧凑域足迹做生成式回放，无需保存切片或图块样本即可持续生成病理报告，并在多个公开持续学习基准上超过无样本与有限缓冲回放基线
该工作提出一种无样本持续学习框架，用于全切片图像到病理报告的生成：在冻结的图块嵌入空间中为每个域构建紧凑“域足迹”（k-means 码本、切片级码字直方图库、图块数量统计与报告风格原型），据此合成伪全切片并由上一轮教师快照生成伪报告进行生成式回放，同时用风格前缀条件化语言模型；在多个公开持续学习基准上，该方法优于无样本与有限缓冲回放基线，并支持无需显式域标识的域无关推理。
该工作提出一种无样本持续学习框架，用于全切片图像到病理报告的生成：在冻结的图块嵌入空间中为每个域构建紧凑“域足迹”（k-means 码本、切片级码字直方图库、图块数量统计与报告风格原型），据此合成伪全切片并由上一轮教师快照生成伪报告进行生成式回放，同时用风格前缀条件化语言模型；在多个公开持续学习基准上，该方法优于无样本与有限缓冲回放基线，并支持无需显式域标识的域无关推理。

第 20 页 · 当前显示 10 项