97 篇论文
医学影像与放射学是洞察人体内部的“透视眼”，利用 X 光、CT 或磁共振等技术，让医生无需开刀就能看清骨骼、器官乃至细微病变。这一领域不仅关乎疾病的早期发现，更直接指导着精准治疗方案的制定，是连接临床诊断与科学突破的关键桥梁。
在 Gist.Science 上，我们直接从 medRxiv 获取该领域最新的预印本论文，确保您能第一时间接触到前沿研究。我们的团队会对每一篇新论文进行处理，提供通俗易懂的科普解读以及详尽的技术总结，帮助您跨越专业术语的障碍，轻松理解最新的影像诊断进展。
以下为您整理的该类别下最新发布的论文列表，欢迎查阅。
这项回顾性研究表明，各种大语言模型，特别是 GPT-5，在对肺癌筛查 CT 报告中的特定偶然发现进行标注时，可以实现与放射科医生高度一致甚至近乎完美的符合率，尽管没有哪一种单一的模型-提示词组合能在所有发现类型中都表现最优。
这项纵向研究表明，在多发性硬化症诊断后的第一年内，通过磁化转移饱和度（MTsat）所测得的正常外观及病变白质中早期、进行性脱髓鞘过程，与随后的残疾进展独立相关，这提示存在一个常规炎症性 MRI 指标无法捕捉到的关键早期治疗窗口。
尽管多种深度学习架构在口腔超声检查中实现了相似的高基准判别能力，但它们在合成遮挡下表现出截然不同且往往不可靠的行为，其中 EfficientNet-B0 与其他模型相比，表现出严重的性能崩溃、过度自信以及较差的复现性。
本研究评估了 fMRI 基础模型 BrainLM 和 BrainHarmonix 在 Prevent-AD 数据集上的表现，并发现与语言和视觉领域不同，它们目前在临床预测任务中未能超越简单的基准模型，同时还需要大量的代码适配工作，这阻碍了独立研究人员对它们的实际采用。
本研究表明，VoxelMap 这一深度学习框架能够利用可变形体模，通过临床 C 型臂系统上的二维荧光投影，生成准确且实时的呼吸运动三维体素图像，其中模型不确定性可作为预测准确性的可靠指标。
本文介绍了 GLIODISSECT，一种新型体素级框架，用于将缺氧驱动的 BOLD MRI 响应分解为不同的时间与幅度分量，并证明了其在健康对照组和胶质母细胞瘤患者中，相较于单一幅度摘要具有可行性及更优越的描述能力。
本研究表明，深度学习模型（尤其是 EVIT U-Net）能够有效且快速地自动分割儿科创伤超声中的关键腹部器官，具有高准确度和经专家验证的可接受性，从而克服了手动分割的瓶颈，以加速大规模数据集的开发。
本研究表明，将优化的采集策略（强背景抑制、水激发）与一种新型正则化运动补偿重建技术相结合，能够实现稳健、高分辨率（2.0 mm 等向）的 3T 3D-GRASE pCASL 灌注成像，并有效减轻运动引起的退化。
本研究表明，左叶弥散加权成像中由心脏搏动伪影引起的信号丢失与肝脏硬度呈负相关，从而将其确立为一种能够准确区分肝硬化与非肝硬化肝脏的简单且内在的标志物。
本研究利用 7 T 短回波时间 1H-MRS 和 OPLS-DA 分类法来表征阿尔茨海默病连续谱的神经化学特征，通过识别肌醇和抗坏血酸等关键代谢物以及特定的大分子成分，成功地以高准确度将阿尔茨海默病与健康对照组区分开来。