Medical Research Notes

从模型能力到任务流程：Agent 在基础模型之上组织规划、工具调用、结果反馈和多步执行；它是系统层，并不替代 Transformer 架构或基础模型。多智能体协作是其中一种组织方式。

• 医学影像与临床证据：协调影像分析、分割工具、指标计算、证据检索和报告生成等步骤。
• 医疗工作流：涵盖电子病历与临床文本、患者交互、药物发现和医疗管理。
• 评估与可靠性：关注任务完成、证据依据、工具使用、流程可追溯性及人工监督，配套数据集和基准。

文献时间跨度：AgenticHealthAI 当前按年份整理 2023–2026 年研究（含预印本）；这一范围描述该清单，其他仓库的覆盖范围可能不同。

仓库入口：AgenticHealthAI：医疗 Agent 综述与资源 · ZJU4HealthCare：医疗 LLM 与 Agent · turab45：医疗 Agent、框架与数据集。

研究范式：从为单一任务训练模型，转向在广泛数据上预训练，再通过微调、提示等方式适配多个任务。Foundation Model 描述训练与使用范式，Transformer 描述网络架构，二者并非相互替代的两代方法。

• 医学影像：视觉语言学习、文本与视觉提示、SAM 适配及通用影像模型。
• 广义医疗：语言、视觉、生物信息、音频和多模态模型，以及相关数据集和综述。
• 小语言模型与高效部署：关注医疗领域专用小模型、压缩与优化，以及模型规模、资源成本和任务效果之间的权衡。SLMs-in-healthcare 整理模型、论文、数据集和评估资源，涵盖医学问答、临床文本及放射学视觉语言应用。
• 医疗应用与部署：诊断、报告生成、医疗信息学、智能体，以及评估、安全和治理问题。

时间背景：基础模型概念于 2021 年被系统提出；这些资源对应的代表性综述与研究整理集中于 2023–2024 年。此处年份是资源背景，并非逐篇统计的文献覆盖范围。

仓库入口：xmindflow：医学影像基础模型 · YutingHe-list：医疗基础模型 · Jianing-Qiu：医疗大模型生态 · SLMs-in-healthcare：小语言模型与部署。

为什么需要 Adapter：SAM 的自然图像预训练与医学影像存在差异，用户提示能指定目标，却不能直接补足模型的医学领域知识。该方法通过小型可训练适配模块调整内部特征，保留大部分预训练参数，以较低训练成本完成医学适配。

• 参数高效微调：论文报告仅更新约 2% 的参数，并在 17 个医学图像分割任务上评估。
• 二维到三维：Space-Depth Transpose（SD-Trans）帮助二维 SAM 利用三维医学影像信息。
• 提示条件适配：Hyper-Prompting Adapter（HyP-Adpt）将用户提示结合到适配过程。

时间与资源：论文于 2023 年首次发布预印本；仓库提供训练与评估代码、示例及预训练 Adapter 入口。Adapter 是参数高效微调的一种方式，并非医学 SAM 必须采用的组件。

• SAM 基础介绍：介绍图像编码器、提示编码器和掩膜解码器如何结合图像与用户提示生成分割，并提供原始论文和医学应用发展时间线。
• SAM 2/3 医学适配：按时间整理 SAM 2、SAM 3 在医学图像、三维影像和视频中的评估与适配研究，附论文及可用代码链接。
• 基础模型 / SAM 医学分割文献：汇总 SAM 及其他分割基础模型的医学应用，包括零样本评估、微调、提示设计和少标注学习等方向。
• 开发与验证数据集：整理医学基础模型相关数据资源，包括交互式分割基准、M3D 和 SA-Med2D-20M，提供论文与数据入口。
• CVPR 2025 交互式 3D 生物医学分割工作坊：提供挑战赛及论文入口，关注适应不同解剖结构和成像条件、并通过用户交互逐步改善结果的通用三维分割模型。

方法起点：Transformer 原始架构由 Attention Is All You Need（2017） 提出，最初用于语言序列建模。Vision Transformer（ViT，2020 年预印本／ICLR 2021） 将图像划分为 patch 并作为 token 序列输入 Transformer，推动其在视觉任务中的应用。

文献时间跨度：主要覆盖约 2020–2023 年的医学影像经典工作（含预印本），xmindflow 的配套综述正式发表于 MedIA 2024。收录纯 Transformer 及 CNN–Transformer 混合方法，包括 TransUNet、UNETR、Swin-Unet 等。

应用范围：医学图像分割、分类、重建、合成、检测、配准和临床报告生成。其论文时间范围不代表 Transformer 研究的终止时间。

仓库入口：xmindflow · fahadshamshad。两个不同综述团队整理的清单，可交叉查阅。

医学影像扩散模型文献集合，包含作者发表于 Medical Image Analysis（2023）的综述，并已补充至 2025 年的论文与综述。

文献时间跨度：当前清单约覆盖 2021–2025 年（含预印本），这是收录范围，不代表扩散模型本身的起止年份。

• 生成与转换：图像生成、文本生成图像、图像到图像转换及多模态生成。
• 图像质量与重建：去噪、重建、修复、超分辨率和增强。
• 影像分析：分割、异常检测、配准、分类和目标检测等应用。
• 研究入口：综述、挑战赛报告，以及部分论文的开源代码链接。

适合系统了解扩散模型在医学影像中的方法与应用；也收录部分通用扩散及其他相关领域文献。

GAN 已经不是当前最主要的新方向了；但它仍然有用，也没有被全面淘汰。根据近年的论文，医学影像生成研究重心已经明显转向 Diffusion（扩散模型）和 Flow Matching / Rectified Flow。例如，MAISI-v2，AAAI 2026 将 Rectified Flow 用于加速三维高分辨率医学影像合成。

文献时间跨度：约 2016–2022 年，主体集中在 2017–2019 年（含预印本）。这个仓库适合用来了解 GAN 在医学影像中的经典应用，涵盖 MR→CT、去噪、重建、分割和病理染色转换，提供相关论文及部分开源代码入口。

医院之间的设备、扫描协议、图像质量和患者分布差异会造成域偏移，使医院 A 训练的模型在医院 B 性能下降；同时，B 可能没有标注或只能负担少量标注。这个仓库收集论文、代码和数据集，研究如何以较低标注成本适应新医院。

• 无监督领域自适应：利用 B 的无标注数据进行适应，经典设定通常仍可访问 A 的有标注数据。
• 无源领域自适应：适应时无法访问 A 的原始数据，只使用 A 训练好的模型和 B 的无标注数据。
• 无源主动领域自适应：在无法访问 A 数据的限制下，主动挑选少量 B 的样本请专家标注，再结合其余无标注数据进行适应。

“Traditional Domain Adaptation” 栏目也包含无源方法，分类并非互斥；这是资源集合，而非单一算法。