标题：CVPR 2026 医学影像 AI 趋势：从影像识别到科研流程接管

正文：
医学 AI 的发展正从“看图更准”转向“理解任务”，模型价值不再仅由数据集分数决定，而是看其能否快速适配新数据、处理异质信息并融入真实科研与临床流程。CVPR 2026 的论文展示了这一趋势：一方面，AI agent 和轻量化方法减少人工调参和标注成本；另一方面，跨模态推理扩展了模型的信息边界。

加州理工等团队提出用简单 AI agent 自动优化生物医学图像分析工作流，实验显示其效果优于专家手写方案，尤其在 MedSAM 任务中表现突出。华东师大等团队提出 DIQ 方法，通过筛选高难度、高影响力的数据，在极少量微调数据下显著提升医学推理能力。亚马逊云科技和 UCLA 提出 CRAFT 方法，仅微调视觉编码器即可让视觉语言模型适应特定领域，避免破坏大语言模型的原有能力。

荷兰埃因霍温理工提出 SPECTRE 模型，针对三维 CT 设计两级 Transformer 架构，结合自监督学习和跨模态对齐，提升了肿瘤预测和器官分割性能。浙大城市学院等团队开发 Ultrasound-CLIP，构建超声图文预训练模型，解决了超声影像细粒度语义理解的难题。

厦门大学等团队提出 HyperST 方法，利用双曲几何建模病理图像与空间转录组的关系，为基因表达预测提供新思路。阿德莱德大学提出 MoBind 方法，实现 IMU 传感器与视频姿态序列的细粒度对齐，适用于运动分析和康复监测。北京邮电大学开发 SemVideo 框架，通过多层级语义重建 fMRI 视频内容，保持对象和动作的一致性。北京交大提出 GSR 模型，将双视角 X-ray 图像用于安检违禁品检测，提升了几何与语义推理能力。

这些研究共同表明，医学 AI 的未来在于高效适配、跨模态理解和真实场景应用，而非单纯追求模型规模的扩大。