radiology and imaging 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。

该研究表明，在基于人工智能的全肝分割任务中，小规模的高质量标注数据集在核心性能指标上可媲美大规模混合质量数据集，但后者在模型泛化能力和局部细节优化方面更具优势，因此数据质量与数量的权衡需根据具体目标而定。

本系统综述评估了 2010 至 2025 年间儿科脑肿瘤手术中代谢组学、多模态分子成像及人工智能的应用现状，指出尽管术中 MRI 和荧光引导技术已显著提升切除率并保障安全性，但针对儿童发育特点的特异性代谢组学平台、标准化多模态整合方案及神经发育考量仍亟待完善，以推动精准手术的发展。

本文介绍了 Brain-SAM，这是一种基于 SAM2 框架构建的专门化模型，通过 Hiera 编码器和受 UNETR 启发的解码器来适应 3D 脑部 MRI 数据，在分割各种脑部病变方面实现了比 nnU-Net 等最先进方法更优越的性能。

本文提出了一种利用轴对称投影和稀疏采样来优化颅骨衰减系数的校准框架，从而通过对157名受试者的研究，提高经颞窗进行动态聚焦超声神经调控时的声学模拟精度与安全性评估水平。

本研究提出了一种鲁棒的 CNN-Transformer 混合深度学习模型，该模型通过有效整合多视图超声图像，在区分良性和恶性乳腺肿瘤方面实现了比传统单幅图像分析方法更高的准确度。

本研究表明，尽管胸部 X 线 AI 的基础模型对视图类型等采集参数表现出不同程度的鲁棒性，但其性能优势往往具有数据集特定性，且无法在外部验证中实现泛化，从而揭示了无论模型架构或训练规模如何，技术偏差依然存在。

这项针对 2022 年至 2025 年间 31 项研究的系统综述表明，深度学习模型（特别是用于分割的高级 U-Net 架构和用于诊断的基于特征的分类器）在多参数 MRI 胶质瘤分析中实现了高准确度，尽管该领域需要更具可解释性的人工智能以确保临床信任与应用。