超声诊断不再只看平均准确率：多查询注意力保住异质证据，训练期正则把敏感度提到0.874
患者级超声诊断此前多依赖单一注意力瓶颈聚合多视图，容易把稀疏的恶性征象稀释掉，并只优化总体准确率。C2LUE把聚合换成多查询交叉注意力，让多个可学习查询分别提取互补的形态学证据，并在训练中用一个可微的敏感度—特异度几何均值正则惩罚两类错误失衡。在活检证实的甲状腺与乳腺超声数据集上，患者级AUC达到0.932与0.936，敏感度提升到0.874与0.876，代价是特异度有所下降。
10微升不染色全血，12分钟成像：三分类模型把脓毒症筛出，100%灵敏度对应85.3%特异度
Remoscope用10微升未染色全血在约12分钟内拍下两万张图像，三分类模型在29名危重成人中把脓毒症与感染性危重、健康人分开，调向排除策略时灵敏度100%、特异度85.3%。
门控注意力多实例学习在无需逐细胞标注下实现多中心宫颈细胞学全片分诊，MobileNetV2 达 90.96% 准确率、Xception 在域外达 80.43% 平衡准确率
该工作提出一种弱监督、免检测的多实例学习框架，用双分支门控注意力池化在整张宫颈细胞学切片层面做预测，把全片视为局部实例块的集合，从而无需单细胞边界框或像素级标注；在内部多中心队列（SIPaKMeD、Herlev、CRIC）与经无监督标记控制分水岭流程处理的域外 Mendeley LBC 验证队列上评估，结果显示轻量骨干 MobileNetV2 在同分布多中心准确率上最优（90.96% 准确率、0.9800 ROC-AUC），而容量更大的 Xception 在域移下域外稳健性更好（80.43% 平衡准确率）。
基于CAPS-A-AM评估语音样本的人工智能高鼻音诊断：儿童腭咽功能障碍中的初步可行性研究
这项前瞻性单中心研究收集了40名2至17岁儿童（包括腭咽功能障碍患者、相关疾病患者及健康儿童）在言语语言病理学家指导下采集的语音样本，以CAPS-A-AM共识评分为参照，将高元音/i/和/u/的梅尔频谱图输入逻辑回归、EfficientNet-V2-S注意力多实例学习CNN以及CNN-XGBoost混合模型，在“无高鼻音(0)对比任何高鼻音(1-4)”和“无/边缘(0-1)对比轻至重度高鼻音(2-4)”两个阈值下进行二分类，结果显示多种独立建模方法均能识别临床评定的高鼻音，其中EfficientNet-V2-S在本队列中取得最高观测性能（F1=0.786-0.900），但置信区间重叠，尚无法证
已读完全部报道