2026.7.20本文提出AgentClinic，用多智能体临床模拟评估LLM在问诊、检查、图像理解、工具使用、多语言、多专科和偏差情境下的诊断能力。Title题目01AgentClinic：用于工具型临床AI智能体的多模态基准AgentClinic: a multimodal benchmark for tool-using clinical AI agents 文献速递介绍02论文指出，医学A

2026.6.30本文提出CardioMorphNet，用心脏形状一致性而非图像强度相似性来监督3D CMR序列中的心脏运动估计，并输出不确定性。Title题目01CardioMorphNet：基于形状引导贝叶斯循环深度网络的心脏运动预测CardioMorphNet: Cardiac motion prediction using a shape-guided Bayesian recurrent

技术上，MedEduChat 通过 Mayo Clinic 的 HIPAA 合规 Azure 托管 GPT-4o 端点运行，连接 Epic 和 Aria 等后端 EHR 系统，检索家族史、病史、实验室结果、诊断、治疗、临床笔记、患者门户消息等信息。该图概括了 MedEduChat 基于 5E 教学模型改造后的教育流程，包括健康结果解释、学习增强和患者参与三个阶段，以及提问参与、探索病历摘要、解释前

在数据库1上，所提模型在使用NeuroSpeech和Surfboard提取的语音特征上超越了基于专家特征的机器学习模型，并取得了令人鼓舞的结果，显示在持续元音/a/的语音任务上准确率达到81.6%，在读短句的语音任务上准确率为75.3%。在数据库1上，所提出的模型性能优于基于专家特征的机器学习模型，并取得了令人瞩目的结果，在持续元音/a/的语音任务上准确率达到81.6%，在阅读一个简短句子（/si

案例研究进一步验证了DACG的临床效率和实用性，其生成的报告包含了几乎所有必要的临床词汇，且获得了专业放射科医生的认可，有助于显著减轻报告撰写负担，提高效率。然而，论文也指出了局限性：未来的工作可以探索更多样化的医学图像特征提取视角，不仅限于位置和通道，并研究更有效的特征融合方法。本文提出DACG模型，通过双重注意力模块增强医学图像特征提取，并利用上下文引导模块监督长文本生成，有效缓解视觉与文本数

在非破坏性评估（NDE）中，特别是在UT中应用ML，构建一个通用的训练数据集极其困难，因为需要原始和具有代表性的有缺陷样本的数据。常见的数据增强（DA）策略提供的解决方案有限，因为它们不增加数据集的变异性，可能导致对训练数据的过拟合。同样，介绍并讨论了现有的一维和多维UT数据、特征空间增强和用于增强的GANs的DA方法。本文重点讨论了三种主要的半解析UT模拟方法：广义点源合成（GPSS）、高斯束（

我们的发现队列包括来自TCGA的146名患者的155张全切片（WSI）和来自图宾根大学的222名患者的431张WSI。A. 使用KimiaNet特征表示的验证队列切片的病理特征展示出p53abn-like NSMP和其余NSMP病例构成了两个独立的集群，B. BC验证队列的临床病理特征和点突变数据，C. 在移除TP53突变病例后，使用双侧log-rank统计检验分析的BC验证队列的无进展生存期（P

重叠的补丁嵌入使用与SAM中的补丁嵌入相同的参数，而其补丁步长是原始步长的一半，很好地保留了补丁边界的信息。为了补充ViT图像编码器中的局部（即，低级）信息，我们引入了一个并行的CNN分支图像编码器，与ViT分支并行运行，并提出了一个跨分支注意力模块，使ViT分支中的每个补丁都能从CNN分支吸收局部信息。段落任何模型（SAM），作为一个多用途的视觉分割基础模型，由于其在多样对象上的显著分割能力和强

Title题目Improving cross-domain generalizability of medical image segmentationusing uncertainty and shape-aware continual test-time domain adaptation利用不确定性与形状感知的持续测试时域自适应提升医学图像分割的跨域泛化能力01文献速递介绍深度神经网络在诸多

未来，我们旨在将SAT扩展到医学图像的多目标分割领域，并探索少样本范式下的医学图像分割，以进一步提升分割性能，并增强其在临床部署中的可靠性。4.1 数据集描述我们在六个来自不同成像模态的公共或私有医学分割任务上进行了广泛实验，以验证所提出的SAT的有效性，这些任务涵盖多个维度的宏观和微观视角：ISIC（Codella等人，2019）、JSRT（Shiraishi等人，2000）、Kvasir（Jh