Paper List
-
Evolutionarily Stable Stackelberg Equilibrium
通过要求追随者策略对突变入侵具有鲁棒性，弥合了斯塔克尔伯格领导力模型与演化稳定性之间的鸿沟。
-
Recovering Sparse Neural Connectivity from Partial Measurements: A Covariance-Based Approach with Granger-Causality Refinement
通过跨多个实验会话累积协方差统计，实现从部分记录到完整神经连接性的重建。
-
Atomic Trajectory Modeling with State Space Models for Biomolecular Dynamics
ATMOS通过提供一个基于SSM的高效框架，用于生物分子的原子级轨迹生成，弥合了计算昂贵的MD模拟与时间受限的深度生成模型之间的差距。
-
Slow evolution towards generalism in a model of variable dietary range
通过证明是种群统计噪声（而非确定性动力学）驱动了模式形成和泛化食性的演化，解决了间接竞争下物种形成的悖论。
-
Grounded Multimodal Retrieval-Augmented Drafting of Radiology Impressions Using Case-Based Similarity Search
通过将印象草稿基于检索到的历史病例，并采用明确引用和基于置信度的拒绝机制，解决放射学报告生成中的幻觉问题。
-
Unified Policy–Value Decomposition for Rapid Adaptation
通过双线性分解在策略和价值函数之间共享低维目标嵌入，实现对新颖任务的零样本适应。
-
Mathematical Modeling of Cancer–Bacterial Therapy: Analysis and Numerical Simulation via Physics-Informed Neural Networks
提供了一个严格的、无网格的PINN框架，用于模拟和分析细菌癌症疗法中复杂的、空间异质的相互作用。
-
Sample-Efficient Adaptation of Drug-Response Models to Patient Tumors under Strong Biological Domain Shift
通过从无标记分子谱中学习可迁移表征，利用最少的临床数据实现患者药物反应的有效预测。
基于病例相似性搜索的放射学印象多模态检索增强草稿生成
Independent AI Researcher, Austin, Texas, USA
30秒速读
IN SHORT: 通过将印象草稿基于检索到的历史病例，并采用明确引用和基于置信度的拒绝机制，解决放射学报告生成中的幻觉问题。
核心创新
- Methodology Multimodal fusion of CLIP-based image and text embeddings improves retrieval performance from Recall@5=0.633 (image-only) to 0.956 (fusion).
- Methodology Citation-constrained draft generation with explicit case identifiers ensures traceability and reduces unsupported claims.
- Biology Demonstrates that textual impression semantics provide complementary clinical information beyond visual appearance alone for chest X-ray interpretation.
主要结论
- 多模态融合（α=0.5）在临床相关发现上实现了Recall@5=0.956，显著优于仅图像检索（Recall@5=0.633）。
- 部署的系统实现了平均引用覆盖率为0.867，平均top-1检索相似度为0.980，展示了强大的证据基础。
- 基于置信度的拒绝机制通过相似度阈值防止对分布外输入生成报告，增强了临床安全性。
摘要: 随着深度学习和大型语言模型的兴起，自动化放射学报告生成受到越来越多的关注。然而，完全生成式方法经常出现幻觉和缺乏临床基础的问题，限制了其在真实工作流程中的可靠性。本研究提出了一种多模态检索增强生成系统，用于胸部X光印象的基于事实的草稿生成。该系统结合了对比图像-文本嵌入、基于病例的相似性检索和引用约束的草稿生成，以确保与历史放射学报告的事实一致性。使用MIMIC-CXR数据集的精选子集构建了多模态检索数据库。图像嵌入使用CLIP编码器生成，而文本嵌入则从结构化的印象部分提取。使用FAISS索引实现了融合相似性框架，用于可扩展的最近邻检索。检索到的病例用于构建基于事实的提示以生成印象草稿，并通过安全机制强制执行引用覆盖和基于置信度的拒绝。实验结果表明，与仅使用图像的检索相比，多模态融合显著提高了检索性能，在临床相关发现上实现了Recall@5超过0.95。基于事实的草稿生成流程产生了具有明确引用可追溯性的可解释输出，相比传统生成方法提高了可信度。这项工作突显了检索增强多模态系统在可靠临床决策支持和放射学工作流程增强方面的潜力。