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 HECKTOR 2025 基准测试表明，尽管自适应后处理显著缩小了轻量级 MiniUNet3D 与较大的 nnU-Net v2 在头颈部肿瘤分割方面的性能差距，但它未能完全消除在淋巴结疾病准确性方面的差异，也未能防止在小型原发肿瘤上出现更高的灾难性失败率。
本文提出了一种物理引导的深度学习框架，该框架将反射式实值强度传输矩阵与图像修复网络相结合，旨在实现通过反射模式下的多模光纤进行单次、无需相位检索的图像恢复，从而显著提升超薄内窥镜成像的图像质量与泛化能力。
本文介绍了 MARLA，这是一个智能体框架，它使临床医生能够通过自动将高层研究目标转化为可执行的、具有自我修正能力的研究循环，从而自主开展复杂的多模态医学人工智能研究，进而消除对专业人工智能知识的需求。
本文提出了一种无需标签的框架，通过对成对表面 DSC 分数进行对数 t 分布拟合，用于校准肝脏 CT 分割中的分布外检测阈值，从而在不需要专家标注的失败数据的情况下，实现具有统计学原理的失败风险分类。
本文介绍了一种开源的 3D Slicer 扩展程序，该程序能够自动实现颅内电极触点在 SEEG 分析中的精确定位，在实现高精度的同时仅需极少的辅助人工修正，并提供了一种用户友好且集成化的解决方案，以优化临床工作流。
这项前瞻性随机交叉研究表明，厂商集成的 AI 软件显著提高了超声科医生在进行腹部超声检查时的操作效率，并降低了其心理需求与体力消耗，尽管时间节省的幅度因操作者而异，且该技术是对工作流的重塑而非消除。
本研究表明，使用带有 EEG 电极的 CT 图像以及扩展的亨斯菲尔德单位（Hounsfield unit）范围，能为同步 PET/EEG 成像提供最准确的衰减校正，与不含电极的扫描相比仅引入了微小的系统性偏差，而金属伪影减少技术带来的额外收益极小。
这项跨数据集分析表明，尽管 BLEU 和 ROUGE 等标准自动化指标对文本变化高度敏感，但它们无法区分具有临床意义的错误，而 CheXbert 尽管整体表现仅为中等水平，却是评估放射学报告质量最一致的指标。
这项回顾性研究表明，将低秩自适应（LoRA）应用于冻结的 Rad-DINO ViT-B/14 基础模型，提升了在 NIH ChestX-ray14 数据集上的多标签分类性能，同时明确指出由于此前已接触过测试标签，所报告的结果是描述性的而非证实性的，并强调了指标对反事实标签翻转分析的敏感性。
作者介绍了 CT ECV Mapper，这是一个开源的 3D Slicer 应用程序，能够利用常规单能多相 CT 对肝脏及肝脏肿瘤进行体素级细胞外体积分数制图的交互式和无人值守批量处理，并在大型公共数据集上证明了其高度的可行性和稳健的质量控制。