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。

该研究提出了一种利用医学基础分割模型（MedSAM2）内部记忆状态生成掩码感知嵌入的方法，通过融合 PET/CT 影像与临床数据，显著提升了多发性骨髓瘤患者无进展生存期的预后预测性能。

该研究证实，在 MRI 模拟过程中开启外部激光定位系统（ELPS）会引入电子噪声，导致使用集成体线圈时信噪比显著下降并影响几何畸变检测及图像均匀性，尽管对定量 MRI 数值的一致性影响较小，但仍建议在成像期间关闭该系统以保障图像质量。

该研究提出了一种手持优化的剪切波弹性成像（HOE）方法，通过稳定探头消除手动操作压力干扰，成功将淋巴管阻塞和积液转化为传统方法难以检测的“高流速区”（HVAs），从而实现了乳腺癌相关淋巴水肿的实时、非侵入性监测，尽管其在早期病变检测上仍存在敏感性不足的挑战。

本文揭示了胸部 X 光 AI 模型在自动 NLP 标注与专家诊断之间存在显著泛化差距，并指出通过冻结预训练骨干网络、限制训练轮次及采用正则化策略而非直接优化小样本验证集，可有效弥合该差距并将 ROC-AUC 从 0.823 提升至 0.917，超越斯坦福官方基线。

该研究针对标注稀缺的乳腺影像数据，通过基准测试发现 CNN 架构配合多视图自监督预训练、混合损失函数及全量微调策略，能在有限的计算成本下显著提升致密乳腺组织的分割精度与校准度，为小样本医学影像分析提供了实用的优化方案。

该研究利用大规模多队列数据构建了一个稳健的数据驱动框架，成功识别出五种具有不同临床风险特征和纵向进展预测价值的脑白质高信号空间亚型，证明了空间分布特征在脑血管病风险分层和个性化管理中优于单纯的病变总量。

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。