近日，国际医学图像计算与计算机辅助介入领域顶级会议 MICCAI 2026 录用结果正式揭晓。IMCL（aka GEM Group）课题组共有10篇论文被 MICCAI 2026 接收，研究广泛涵盖了多模态乳腺癌诊断、超声影像分析、PET-CT预后评估、医学图像分割与定位、三维重建、人机协同智能体以及检索增强图模型等多个前沿方向。这些成果不仅是对课题组持续深耕的肯定，也反映出医学AI领域正从算法创新向临床落地实现系统性突破。
MICCAI，全称 International Conference on Medical Image Computing and Computer Assisted Intervention，是医学图像计算、计算机辅助诊断、计算机辅助手术以及医学人工智能等方向公认最具权威性的国际学术会议之一。长期以来，该会议汇聚了全球医学影像、人工智能、计算机视觉与临床转化领域的最新成果，堪称智能医学影像领域的学者们展示创新方法、推动临床应用、开展国际学术交流的核心平台。
从录用数据来看，MICCAI 2026 今年的投稿总量达到4,601篇，其中4,402篇进入评审环节，最终1,211篇被接收，整体录用率约为28%。在如此激烈的竞争环境中，IMCL课题组多篇论文脱颖而出，充分展现了其在医学影像智能分析、多模态临床建模以及可信医学AI方向上的持续积累与创新探索能力。
论文一
ClinLoop: Human-AI Collaborative Agents for Multimodal Breast Cancer Diagnosis under Incomplete Clinical Data
Paper #2960
该论文聚焦于真实临床场景中普遍存在的“不完整临床数据”难题，提出了一种面向多模态乳腺癌诊断的人机协同智能体框架 ClinLoop。通过构建AI智能体与临床专家之间的高效协作机制，显著提升了模型在信息缺失、多源数据交织及复杂诊疗流程下的诊断可靠性与临床适用性。简而言之，这项研究让AI能与医生组成智能搭档——即使数据不完整，诊断决策也不再束手无策。
论文二
Organ-invariant Tumor Representation Learning via Disentangled Adversarial MAE for Multi-organ Ultrasound Imaging
Paper #2499
面向多器官超声肿瘤影像分析任务，本研究探索如何学习具备器官不变性的肿瘤表征，从而有效降低不同器官及成像部位带来的数据分布差异。团队提出了一种解耦式对抗 MAE 框架，增强了模型对肿瘤本质特征的建模能力，为跨器官超声影像中的肿瘤识别与泛化分析开辟了新的技术路径。原来，就是让AI在面对不同器官的超声图像时，都能精准识别肿瘤，不再被器官形态误导。
论文三
Multi-Annotation Adaption: A Label-Informed Dynamic Framework for Medical Segmentation and Localization
Paper #2169
针对医学图像中普遍存在的多标注形式、多任务需求以及标注不一致等问题，本研究提出了一种标签信息引导的动态适应框架，专门用于医学图像分割与定位。该方法能够根据不同标注类型和任务目标灵活调整建模策略，大幅提升了模型在复杂医学标注体系下的适应能力与泛化性能。换个角度说，面对五花八门的标注方式，这款模型具备了良好的兼容性，不再“挑食”。
论文四
MSQG-3DNet: Multi-Scale Token Selection with Query-Decoder and Gated Fusion for 3D Breast Tumor Classification
Paper #2113
针对三维乳腺肿瘤分类任务，该研究提出了 MSQG-3DNet网络，通过引入多尺度 token 选择、query-decoder 以及门控融合机制，显著增强了对三维肿瘤特征的表达能力。该方法能够更充分地建模肿瘤在不同空间尺度下的形态特征与语义信息，为3D乳腺肿瘤的智能分类提供了一套高效的技术方案——这相当于为AI配备了多角度观察的“显微镜”。
论文五
Beyond the Batch: Momentum-Updated Virtual Cohorts for 3D PET-CT Prognosis
Paper #3495
聚焦于3D PET-CT影像中的预后预测问题，该研究提出了一种基于动量更新虚拟队列的建模策略，旨在突破传统 mini-batch 训练中样本关系建模不足的局限。通过构建更加稳定且更具代表性的虚拟患者队列，模型得以增强对跨样本预后相关信息的捕捉能力，为肿瘤预后评估提供了新的技术途径。
论文六
From Sparsity to Geometry: Spatial Modeling for 3D Reconstruction from Biplanar Bone X-rays
Paper #3258
面向双平面骨X光片的三维重建任务，本研究探索如何从稀疏的二维投影中恢复出具备几何一致性的三维骨骼结构。通过创新的空间建模方法，研究团队增强了二维影像到三维结构之间的几何约束，为在低成本、低辐射条件下实现骨骼三维重建提供了极具价值的技术方案。可以说，这实现了“仅用两张X光片的剂量，就能构建出精确的3D模型”。
论文七
Towards Unified Image-Video Modeling Across B-Mode and Contrast-Enhanced Ultrasound for Multi-Task Analysis
Paper #1246
针对 B-mode 超声与造影增强超声在数据形态和成像机制上的显著差异，该研究提出了一种统一的图像-视频建模框架，专用于多任务超声影像分析。这项研究致力于打通静态图像、动态视频以及不同超声模态之间的信息壁垒，从而全面提升模型在多模态、多任务临床超声场景中的综合分析能力。
论文八
ClinRAG-GRAPH: Clinical-prior Retrieval-Augmented Graph Model with Domain Adversarial Learning for Breast pCR Prediction
Paper #1181
面向乳腺癌病理完全缓解（pCR）预测任务，该研究提出了融合临床先验知识、检索增强与图建模的 ClinRAG-GRAPH 方法。通过引入临床知识检索与领域对抗学习机制，有效增强了模型对患者异质性、跨中心分布差异以及临床关联信息的建模能力，在精准预测的道路上再次迈出了坚实的一步。
此次10篇论文被 MICCAI 2026 接收，是 IMCL课题组在医学影像智能分析、临床多模态建模以及可信医学AI方向持续深耕、不断探索的重要成果。这些研究既关注医学AI领域的基础方法创新，也紧密围绕乳腺癌诊疗、超声影像分析、PET-CT预后评估、三维骨结构重建等真实临床需求，充分展现了课题组在“算法创新—临床问题—应用转化”这一完整链条上的综合性研究布局。未来，IMCL课题组将继续围绕医学图像计算、计算机视觉、多模态学习、临床决策支持与智能诊疗系统等方向开展深入探索，全力推动人工智能技术在精准医疗和临床实践中的广泛落地。再次向所有论文作者表示祝贺！
