CARS 2026 / IPCAI 2026大會手冊

40TH INTERNATIONAL CONGRESS · NAGOYA

電腦輔助放射與外科
大會參與手冊

Computer Assisted Radiology and Surgery 2026．依現場照片轉錄整理的完整議程紀錄。

QR code掃描分享
會議
CARS 2026 / IPCAI 2026
地點
名古屋大學 豐田講堂
日期
2026 年 7 月 2–5 日
收錄
41 場演講與 poster

大會概覽

本手冊由現場拍攝的演講投影片與 poster 照片轉錄整理而成，涵蓋 2026/7/3–7/5 三天。每一場獨立成條目，含講者、單位、研究問題、方法、關鍵數據與結論，並附對應照片檔名以便回查原圖。技術名詞保留英文。

會議
CARS 2026（第 40 屆 Computer Assisted Radiology and Surgery 國際大會）；併同 IPCAI 2026、ISCAS 第 29 屆年會
地點
名古屋大學 豐田講堂（Toyoda Auditorium, Nagoya University）
主軸
手術／放射影像 AI、機器人手術、digital twin、Vision-Language Models、AI 驗證方法學

主題分布

  • 影像重建與深度估計3
  • 診斷與預後5
  • 機器人手術與導航12
  • 語言模型與生成式 AI5
  • AI 驗證方法學6
  • 影像分割5
  • 流程與跨領域5
7/3

週四　議程詳錄

15 場

01
影像重建與深度估計

大腸鏡自監督單目深度估計（Normal-guided Cross-attention）

Yahui Zhang、Stamatia Giannarou、Daniel S. Elson · 演講 + poster

Imperial College London，Hamlyn Centre for Robotic Surgery（Surgical Imaging & Biophotonics Lab）

研究問題
大腸鏡影像的 monocular depth estimation 用於 3D reconstruction、病灶評估與導航；難點在 specular highlights 造成 photometric inconsistency，低紋理黏膜幾何線索薄弱。
方法
Self-supervised framework，透過 cross-attention 引入 surface normal priors 作為輔助幾何引導；depth module（CNN + Transformer + Cross-Attention，多尺度輸出）搭配 pose module（ResNet），以 image reconstruction 為自監督目標。
關鍵數據
SimCol3D S 子集 AbsRel 0.048 / RMSE 0.280；C3VD 泛化 AbsRel 0.110 / RMSE 5.181 / δ<1.25 0.896；全面優於 NASDE、PC-Depth、LiteMono。
結論
在挑戰性光照與反光條件下達成準確深度預測，並於真實大腸鏡（Hyper-Kvasir）驗證。
對應照片 2
20260703_082709.jpg20260703_110328.jpg
02
影像重建與深度估計

內視鏡動態場景 Gaussian Splatting 重建

（投影片未顯示講者） · 演講

名古屋大學 MoriLab（森研究室）；掛 IPCAI、Moonshot 計畫標誌

研究問題
微創手術動態場景的 3D / 4D reconstruction，需提供空間幾何資訊與組織隨時間的 deformation 細節。
方法
以 3D Gaussian Splatting（Kerbl et al., 2023）為基礎，低運算成本、快速收斂，可延伸至 4D reconstruction。
對應照片 1
20260703_082903.jpg
03
診斷與預後

ABUS 乳房超音波電腦輔助診斷（雙分支 foundation model 高效微調）

Ruey-Feng Chang（張瑞峰）、Wei-Lun Wu、Yao-Sian Huang · 演講

臺灣大學資訊工程學系 / 生醫電子與資訊研究所；國立彰化師範大學

研究問題
以 Automated Breast Ultrasound（ABUS）取得 3D 腫瘤影像，同時診斷腫瘤並預測淋巴結轉移（lymph node metastasis）。
方法
Dual-branch 架構：Transformer branch（含 PEFTformer：LayerNorm、MHSA、DoRA、3D Adapter、MLP）+ CNN branch（ResNet），以 GCA / LCA cross-attention 融合；凍結 foundation model，僅用 DoRA + 3D Adapter 做 parameter-efficient fine-tuning。
關鍵數據
Total Loss = 0.6 × IoU Loss + 0.4 × Focal Loss。
對應照片 11
20260703_083140.jpg20260703_083145.jpg20260703_083147.jpg20260703_083215.jpg20260703_083216.jpg20260703_083225.jpg20260703_083819.jpg20260703_083821.jpg20260703_083822.jpg20260703_084016.jpg20260703_085421.jpg
04
診斷與預後

pix2surv 特發性肺纖維化（IPF）胸部 CT 預後預測

Yuka Menuki、Janne J. Näppi、Tohru Kamiya、Hiroyuki Yoshida · 演講

九州工業大學；Massachusetts General Hospital / Harvard Medical School

研究問題
以影像預測特發性肺纖維化（idiopathic pulmonary fibrosis）在胸部 CT 上的預後。
方法
在 GAN-based image-to-survival 模型 pix2surv 中加入 self-attention 與 spectral normalization。
對應照片 1
20260703_090042.jpg
05
機器人手術與導航

頸椎椎弓螺釘置入術前 / 術後位置自動量化評估（poster PO-26-00010）

Yu-Ching Hsiao、Jing-Jing Fang、Kai-Chieh Chang、Chih-Ju Chang · poster

國立成功大學（台南）；國泰綜合醫院（台北）

研究問題
既有 Gertzbein-Robbins（GR）grading 只反映皮質破壞程度，缺乏術前規劃軌跡與術後實際螺釘位置的量化。
方法
以 OSP-based（optimal symmetry plane）contouring 疊合不同時間點 CT，量化 DA、DD、SED、HAD、HDD、SDA、SDD；24 位病人、69 支螺釘，單一資深神經外科醫師手術。
關鍵數據
多數 angular deviation 不顯著（>5° 者少），SED 多 >2 mm；GR grading 下全部達 Grade A 或 B。
結論
建立 2D / 3D 量化評估法，減少金屬假影干擾，可用於 image-guided / robot-assisted / template-assisted 系統比較與手術訓練。
對應照片 1
20260703_094956.jpg
06
機器人手術與導航

TwinOR：動態手術室 photorealistic digital twin

Han Zhang、Yiqing Shen、…、Mathias Unberath（hzhan206@jh.edu） · 演講 + poster

Johns Hopkins University（Malone Center / LCSR / ARCADE）

研究問題
手術室人力短缺，需 embodied AI；如何在不干擾臨床流程下，由真實手術室建立動態 digital twin（real-to-sim）。
方法
由 pre-scan videos + multi-view images 建模；以 Neuralangelo（multi-resolution hash + neural SDF）重建，加 dynamic perception 取得 object poses 與 3D human models 並持續更新。
關鍵數據
3D human PCP3D@0.5 約 98.25%、MPJPE 3.52 cm；設備 6DoF 誤差 9.12 cm / 4.57°；zero-shot stereo depth MAE 7 mm（FoundationStereo）、Visual SLAM ATE 0.12 m（ORB-SLAM3）。
結論
達公分級幾何與 photorealistic 外觀；合成環境足以驗證現成感知模型。
對應照片 10
20260703_111642.jpg20260703_111814.jpg20260703_111910.jpg20260703_111911(0).jpg20260703_133458.jpg20260703_133537.jpg20260703_133713.jpg20260703_133909.jpg20260703_133917.jpg20260704_100945.jpg
07
機器人手術與導航

IMU 穿戴式介面用於 robotic ESD 內視鏡機器人控制

（投影片未顯示講者） · 演講

IMU 裝置印有「天津大學」字樣

研究問題
Manual ESD learning curve 長、triangulation 與 countertraction 受限；現有控制介面自由度不足、與機器人結構異質、control ambiguity 高。
方法
IMU-only 輕量穿戴介面（12+2 DoFs），以 D-H method 做 angle-based 上肢姿態估計，避免加速度積分誤差；incremental leader-follower control + sliding-window tremor filtering；Triangulation / Manipulation 雙模式映射。
對應照片 4
20260703_112118.jpg20260703_112159.jpg20260703_112213.jpg20260703_112247.jpg
08
機器人手術與導航

ARport：markerless AR 影像導引機器人手術 port placement

Zheng Han、Zixin Yang、Yonghao Long、Lin Zhang、Peter Kazanzides、Qi Dou · 演講 + poster

香港中文大學 CSE；Cornerstone Robotics Ltd.；Johns Hopkins University

研究問題
trocar / port 位置直接決定機械臂可用 workspace，但術前計畫常無法在術中準確落實（manual measurement 耗時、operator-dependent）。
方法
HoloLens 2 的 RGB-depth-pose 串流重建場景 → SAM foundation model 分割腹壁表面 → surface-based registration（model pyramid 多解析度、FPFH + Normals、RANSAC → FGR 粗對齊再 refine）→ AR 疊加 port 位置與器官。
關鍵數據
全尺寸人體 phantom 上 13 個解剖 landmark 的 Target Registration Error 約 6.41–17.81 mm。
結論
準確、markerless、patient-specific 地將術前計畫轉移到術中場景。
對應照片 7
20260703_113505.jpg20260703_113530.jpg20260703_113554.jpg20260703_113704.jpg20260703_113719.jpg20260703_113756.jpg20260704_100833.jpg
09
機器人手術與導航

臨床與技術皆可行的 robotic sacrocolpopexy 導航系統（4-min pitch）

Gabriele Vanni、Anna Furiesi、Andrea Giannini、Tommaso Simoncini、Vincenzo Ferrari 等 · 演講（4-Minute Pitch）

University of Pisa（EndoCAS Center for Computer Assisted Surgery）

研究問題
機器人薦骨陰道固定術中，sacral promontory 的 mesh fixation 為危險步驟，visceral fat 遮蔽深部血管，易致 vascular injury。
方法
AR overlay 標示血管結構（藍）、危險邊界與危險 / 安全固定點；關鍵字 Augmented Reality、Robotic Surgery、Navigation。
對應照片 2
20260703_113944.jpg20260703_114102.jpg
10
機器人手術與導航

肝臟微波消融（MWA）digital twin 與 replanning

（投影片未顯示講者） · 演講

研究問題
MWA 臨床計畫仰賴廠商查表、假設標準化 ablation zone，但每位病人腫瘤大小、位置與鄰近血管（heat-sink 效應）不同，實際消融區差異大。
方法
由 pre-operative CE-CT 建 voxel-level 3D 模型，每 voxel 帶組織物理參數（heat capacity、conductivity、blood perfusion 等）；以 Pennes bioheat equation 做 FEM simulation，預測消融區。
關鍵數據
3 例活體豬隻（300 s、100 W）驗證，模擬區與真實消融區吻合度優於廠商查表；模型對 blood perfusion 高度敏感。
結論
建立 MWA digital twin，並在偏離 planning 時提出 replanning strategy。
對應照片 6
20260703_114817.jpg20260703_114859.jpg20260703_114926.jpg20260703_115305.jpg20260703_115319.jpg20260703_115348.jpg
11
影像重建與深度估計

微創手術免標定（calibration-free）stereo matching

（投影片未顯示講者） · 演講

EnCoV Laboratory；掛 IPCAI 標誌

研究問題
腹腔鏡 stereo matching 能否免除相機 calibration；同樣方法在 KITTI 都會場景表現良好，在 Da Vinci StereoMIS 影像卻明顯變差。
方法
以 FoundationStereo（CVPR 2025）為基礎，比較有 / 無 undistortion + rectification 的 disparity map 品質。
對應照片 2
20260703_134531.jpg20260703_115717.jpg
12
機器人手術與導航

小型輔助機器人（compact robot）AR 定位 setup

（投影片未顯示講者） · 演講

研究問題
介入手術空間擁擠，大型機器人增加碰撞風險；compact robot（如 Micromate）雖 sub-mm 精度但無 onboard localization，需人工定位。
方法
以 AR 在術者視野疊加 planned trajectory、機器人上不需額外硬體；需處理座標系對齊（fiducial / optical tracker）與 SLAM drift。
對應照片 2
20260703_120218.jpg20260703_120301.jpg
13
語言模型與生成式 AI

Auto-regressive VLM 解讀縱向（longitudinal）3D CT：Proof of Concept

Khang C. Nguyen、Cheng Wang、…、Masahiro Oda、Kensaku Mori · 演講

名古屋大學資訊科學研究所 MoriLab；國立情報學研究所（NII）

研究問題
縱向 CT 蘊含疾病進展與治療反應的時序資訊，但現有 CT VLM 多針對 single-timepoint，longitudinal 的比較性報告生成仍待探索。
方法
改造 auto-regressive VLM 處理前後回診配對 3D CT；3D Swin Transformer 作 Vision Encoder（HU 裁切 [-300, 200]）+ Gemma-2-9B-IT；NII 約 35k / 3.8k 訓練 / 驗證。
關鍵數據
NLG：CT-RATE BLEU-1 約 0.51 vs baseline 0.38；GREEN：NII 0.268 vs CT2RepLong 0.215、CT-RATE 0.386。
結論
初步證據顯示 auto-regressive VLM 可支援 longitudinal CT 解讀；限制為解剖定位精度較低、decoding 後段 hallucination 增加。
對應照片 11
20260703_141740.jpg20260703_141817.jpg20260703_141929.jpg20260703_142124.jpg20260703_142142.jpg20260703_142403.jpg20260703_142537.jpg20260703_142713.jpg20260703_142752.jpg20260703_142807.jpg20260703_142931.jpg
14
診斷與預後

整合 visual words 與 clinical findings 的皮膚疾病 Bayesian Network 分類

（投影片未顯示講者） · 演講

東京農工大學（TUAT）

研究問題
深度學習皮膚疾病分類缺乏 transparency 與 uncertainty awareness，也難整合 clinical knowledge。
方法
visual words（Fine-tuned Swin + PCA + Gaussian Mixture Model + beam search 選詞）與 clinical findings（Preferred-MedLLM-Qwen-72B 萃取）整合進 transparent、uncertainty-aware Bayesian Network；目標疾病 Atopic Dermatitis、Psoriasis、Lymphoma。
關鍵數據
整體 sensitivity：Swin 68.14%、BN 76.18%、Swin+BN 84.89%（最佳）。
結論
以 visual-word 整合改善診斷 sensitivity，並提供機率分布形式的 uncertainty。
對應照片 7
20260703_143527.jpg20260703_143548.jpg20260703_143700.jpg20260703_143854.jpg20260703_144102.jpg20260703_144244.jpg20260703_144339.jpg
15
語言模型與生成式 AI

以 Stable Diffusion 生成胸部 CT 肺結節影像

（投影片未顯示講者） · 演講

名城大學 Teramoto Laboratory

研究問題
以 text-to-image 生成模型合成可控的肺結節（pulmonary nodule）ROI 影像。
方法
以 LIDC-IDRI 建 image-text pairs（ROI 影像 + morphological feature prompts），微調 Stable Diffusion（SDv1 vs SDv2）。
關鍵數據
SDv2 生成影像與真實影像在 Realism、Malignancy、Margin 等 7 項主觀評估皆無統計顯著差異。
結論
SDv2 效能最佳；未來評估用於 CAD training、並擴展至 whole chest CT。
對應照片 2
20260703_145944.jpg20260703_150001.jpg
7/4

週五　議程詳錄

23 場

01
語言模型與生成式 AI

Surg-NAT+：negation-aware 視覺語言精煉的細粒度手術理解

Kun Yuan、Yutong Cao、Yunxi Tang、Nicolas Padoy、Xiangyu Chu · 演講 + poster

University of Strasbourg；Technical University of Munich；National University of Singapore；香港中文大學

研究問題
手術 vision-language foundation model 在 fine-grained 任務表現下降，且無法處理 linguistic negation（無法分辨「use grasper」與「do not use grasper」）。
方法
輕量 adaptation：Self-Distillation Loss + Negation-Aware Differential Loss（將表徵推離否定 prompt、拉近肯定 prompt）+ Multi-level Adapter Fusion（MAF）。
關鍵數據
Cholec80 few-shot tool recognition，1–64 shot 的 mAP 全面最佳（64-shot 約 0.52），優於 LP、CLIP-Adapter、TIP-Adapter、CoOp、CoCoOp、DualCoOp。
結論
參數高效 adaptation，提升細粒度工具 / 階段辨識與領域穩健性、降低正性幻覺。
對應照片 4
20260704_082134.jpg20260704_082200.jpg20260704_082230.jpg20260704_100959.jpg
02
流程與跨領域

VR 自動化小兒機器人手術縫合技能評估（ID 192）

Saul Alexis Heredia Perez、Enduo Zhao、Murilo Marinho、Kyoichi Deie、Mamoru Mitsuishi、Kanako Harada · 演講 + poster

東京大學（NML Harada Lab）

研究問題
新生兒機器人手術技術難度高、案例罕見，客觀可重複的技能評估有限。
方法
Unity 3D + PhysX 建 VR simulator 模擬 SmartArm 平台的食道閉鎖（esophageal atresia）縫合；將 11-point checklist 轉為可量測的幾何 / 運動參數與二元分數。
關鍵數據
10 次試驗（5 好 5 差），對照專家評分：Accuracy 67.3%、Precision 0.933、Recall 0.560、F1 0.700，行為保守、false-positive 低。
結論
VR 自動化評估可行、客觀；分歧多出現在需視覺主觀判斷的準則（如 insertion angle）。
對應照片 6
20260704_082726.jpg20260704_082728.jpg20260704_082819.jpg20260704_083029.jpg20260704_083031.jpg20260704_100910.jpg
03
AI 驗證方法學

Metrics Reloaded Surgery：手術 AI 驗證的陷阱與最佳實務

Marcel Knopp（poster：Annika Reinke、Lena Maier-Hein 等） · 演講 + poster

DKFZ（德國癌症研究中心）；Metrics Reloaded Surgery Consortium

研究問題
手術影片 AI 的驗證與報告普遍存在缺陷，影響安全與可信度。
方法
90+ 專家 Delphi 共識 + 文獻篩查 + benchmark 實證；揭露 frame-based metric 漏 object ID switch、忽略 temporal instability、global average 掩蓋關鍵 phase、naive bootstrap 低估不確定性。
關鍵數據
MICCAI 2023 手術 AI 論文（n=46）：73% 潛在 data leakage、98% 無 temporal 屬性評估、僅 5% 處理 hierarchies；測試影片中位數僅 22。
結論
提出跨陷阱最佳實務，並推出 ORENA challenge（MICCAI，獎金 $60,000+）。
對應照片 8
20260704_084154.jpg20260704_084206.jpg20260704_084213.jpg20260704_084303.jpg20260704_084305.jpg20260704_084316.jpg20260704_084349.jpg20260704_100821.jpg
04
AI 驗證方法學

Learning Where To Look：由手術影片預測 Parkland Grade（Poster #203）

S. Kamabattula、S. Kulason、L. Purvis、B. Mlambo、K. Bhattacharyya · 演講

Intuitive Surgical

研究問題
模型是否需要學會「where to look」（找到代表性膽囊視角）才能自動化 Parkland Grade（手術難度分級）。
方法
287 部機器人膽囊切除影片、18 sites；比較 NAIVE（整段無指引）、ORACLE（只用 key segment，upper bound）、LEARN（整段影片 + attention 學 where to look，inference 不需 key segment）。
關鍵數據
Weighted F1：NAIVE 0.32 → LEARN 0.50 → ORACLE 0.55；Krippendorff α：0.37 → 0.60 → 0.66。
結論
知道 where to look 至關重要；全自動 LEARN 能自學並逼近 oracle upper bound。
對應照片 4
20260704_084912.jpg20260704_085059.jpg20260704_085153.jpg20260704_085224.jpg
05
診斷與預後

以深度點追蹤穩健量化新生兒腸道手術 ICG 螢光灌流

Zhehua Mao、Antonio Composto、Danail Stoyanov、Stefano Giuliani、Sophia Bano · 演講

University College London（Hawkes Institute）；Great Ormond Street Hospital

研究問題
ICG 螢光評估 bowel viability 仍偏主觀，既有工具依賴 sparse manual ROIs，組織形變與遮擋降低追蹤可靠度。
方法
CoTracker3-based point tracking + dual-mode sampling（ROI 與 dense tissue-level），萃取 time-intensity metrics 並產 dense perfusion heatmap。
關鍵數據
N=21 ROIs / 3 patients，與 PerfusionTech 的 Pearson r：Tmax / T_rise / T½max = 1.00、Washout 0.98、Gradient 0.97、Fmax 0.86。
結論
在 motion / deformation / occlusion 下維持穩定追蹤，優於既有商用工具。
對應照片 6
20260704_085320.jpg20260704_085343.jpg20260704_085521.jpg20260704_085603.jpg20260704_085616.jpg20260704_085636.jpg
06
AI 驗證方法學

手術時序分割模型的貝氏融合（Bayesian Model Fusion，Poster #205）

M. Berniker、S. Kamabattula、K. Bhattacharyya · 演講

Intuitive Surgical

研究問題
手術活動由 nested ontologies（Procedure / Phase / Step …）描述；各層獨立建模會忽略統計相依、預測不一致，且部分層無可靠模型。
方法
以 Probabilistic Graphical Model（假設 Markovian states）編碼跨 ontology 統計相依，將各獨立模型預測作 likelihood 做 Bayesian inference；為 zero-parameter model。
關鍵數據
Nominal：Step F1 0.80 → 0.98；缺 evidence：Procedure F1 0.49 → 0.99、Phase 0.21 → 0.97、Step 0.02 → 0.36。
結論
training-free、minimal overhead、interpretable，可對齊各層預測並補缺模型。
對應照片 7
20260704_085707.jpg20260704_085713.jpg20260704_085752.jpg20260704_085835.jpg20260704_085907.jpg20260704_085911.jpg20260704_085959.jpg
07
AI 驗證方法學

醫學影像 AI「超越 SOTA」宣稱的統計效度

（引用 Christodoulou / Reinke 等） · 演講

Helmholtz Imaging

研究問題
論文常宣稱 outperform state-of-the-art，但差距是否真實、還是只是 due to chance？
方法
統計 MICCAI 2023 所有 segmentation 論文的 DSC 改善幅度；引用「False Promises in Medical Imaging AI?」（arXiv 2025）。
關鍵數據
83.3% 論文宣稱超越 SOTA，但相對最強競爭者的 median DSC 改善僅 0.01。
結論
呼籲以適當統計方法評估 outperformance 宣稱，避免虛假承諾。
對應照片 2
20260704_090122.jpg20260704_090158.jpg
08
影像分割

以 Active Learning + 弱監督高效標註手術影片（ID 211）

Manasa Dendukuri、Matjaz Jogan、Daniel A. Hashimoto、Guiqiu Liao · 演講 + poster

University of Pennsylvania（GRASP Laboratory / PCASO）

研究問題
手術影片 pixel-level 標註昂貴（30 秒 clip 約需 7 分鐘）；WSL 可省標註但分割不精確，AL 在此領域仍 underexplored。
方法
結合 Active Learning 與 Weak Supervision 並加入 Mask loss；DINOv2 + Dense Head，expert-in-the-loop 稀疏修正迭代（Cholec80，6100 clips，7 類器械）。
關鍵數據
相較全人工標註，annotation time 減少 38%，並改善少數器械類別的分割。
結論
AL+WSL 在降低標註負擔的同時維持強 localization。
對應照片 5
20260704_091150.jpg20260704_091333.jpg20260704_091405.jpg20260704_091457.jpg20260704_100714.jpg
09
語言模型與生成式 AI

Sum-of-Checks：以大型視覺語言模型做手術安全的結構化推理（#217）

Weiqiu You、Cassandra Goldberg、Amin Madani、Daniel A. Hashimoto、Eric Wong · 演講 + poster

University of Pennsylvania（BrachioLab）；University of Toronto；UHN

研究問題
外科醫師不信任 foundation model 的手術安全判斷，因缺乏可解釋性（不知道模型「為什麼」）。
方法
仿外科醫師以 rubrics 推理，將 CVS（Critical View of Safety）三準則分解為可稽核的 fine-grained checks，以 weighted sum 得各 criterion score（LVLM + few-shot examples）。
關鍵數據
相較 direct prompting，前沿模型的 mAP 提升 11–14%（測試含 Claude Opus 4.5、Claude Sonnet 4.5）。
結論
推理與外科醫師思路對齊、可稽核，提升可信度。
對應照片 5
20260704_093239.jpg20260704_093402.jpg20260704_093416.jpg20260704_093528.jpg20260704_100549.jpg
10
流程與跨領域

外科資料科學的跨領域對話：對利害關係人與病患的效益再檢視

Marco Bombieri、Arnaud Huaulmé、Kevin Cleary、Stamatia Giannarou、Pierre Jannin 等 · 演講 + poster

Université de Rennes / INSERM；Università di Trento；DKFZ；UCL；Imperial；Children's National；BWH 等

研究問題
Surgical Data Science（SDS）應用的臨床相關性需要工程師與臨床醫師早期跨領域合作。
方法
以 2024 Hamlyn Symposium 的 workshop 進行兩場 world-café 討論（28 位參與者），彙整對 surgical care providers 與 patients / families 的觀點。
關鍵數據
116 則評論歸為 21 類；參與者 Researcher 81.5% / Surgeon 18.5%。
結論
效益（模擬環境訓練、降成本、改善溝通）vs 風險（不應在 critical choices 取代醫療人員）；下一步建立 Delphi consortium。
對應照片 6
20260704_093613.jpg20260704_093728.jpg20260704_093747.jpg20260704_093810.jpg20260704_093844.jpg20260704_100528.jpg
11
機器人手術與導航

BrachyPlan：低劑量率近接治療的細粒度劑量導引逆向規劃

Haitao Li、Jiaxuan Liu、Haochen Shi、Wei Huang、Zhongmin Wang、Xiaojun Chen · 演講

上海交通大學機械工程學院；Politecnico di Milano；瑞金醫院介入放射科

研究問題
brachytherapy 成功關鍵在精確的術前 planning（needle 數量 / 方向、seed 數量 / 位置與 dose 分布）。
方法
E2E framework：RDCN（rapid dosimetry calculation network，以 TOPAS Monte Carlo 產 GT）做即時劑量計算；backlit point-driven candidate path + dose integral-guided 穿刺軌跡 + 細粒度迭代 seed 優化。
關鍵數據
已發表於 Medical Image Analysis 2026;107:103852。
結論
自動化 brachytherapy planning 並保留臨床精度。
對應照片 5
20260704_094001.jpg20260704_094014.jpg20260704_094030.jpg20260704_094039.jpg20260704_094050.jpg
12
AI 驗證方法學

以本地 LLM 自動偵測放射報告錯字（poster PO-50）

Mizuho Nishio、Ryo Kurosaki、Hidetoshi Matsuo、Takaaki Matsunaga、Takamichi Murakami · poster

Kobe University

研究問題
能否用 on-premises LLM 偵測放射報告 typo（如 left / right 誤植），不將病人資料上雲（安全、低成本、低延遲）。
方法
MacBook Pro（M4、128 GB、無外接 GPU）+ Dify + Ollama；953 份報告（133 含錯誤）；prompt 只評 typo、回傳 Typo Score JSON。
關鍵數據
gpt-oss-120b ROC-AUC 0.906 / 輸出穩定 100%；gpt-oss-20b 0.729；DeepSeek-R1-Distill-Qwen-32B 0.522 / 僅 67% 產出有效 JSON。
結論
消費級硬體上以 open-weight LLM 做 privacy-preserving 的報告 QA（human-in-the-loop）可行。
對應照片 1
20260704_101248.jpg
13
影像分割

PT-SAM：以 Visual Prompt Tuning 調適 SAM 做手術器械分割（poster PO-135）

Xuguang Zhu、Yuichiro Hayashi、Masahiro Oda、Kensaku Mori · poster

名古屋大學 MoriLab；國立情報學研究所

研究問題
手術器械分割面臨 natural-to-surgical domain shift，既有 SurgicalSAM 的 prototype prompt 仍無法彌合 domain gap。
方法
以 Visual Prompt Tuning 調適凍結的 SAM vision encoder；比較 VPT-Shallow 與 VPT-Deep（每層注入 learnable prompts）。
關鍵數據
EndoVis2018：VPT-Deep（0.052% 可訓練參數）IoU 80.09 / mcIoU 63.18 / mIoU 84.06，全面最佳；SurgicalSAM 73.22 / 48.18。
結論
以極少參數有效緩解 domain shift，免全模型微調的高成本。
對應照片 1
20260704_101338.jpg
14
影像分割

ESD-VesNet：具不確定性感知與 hard negative mining 的 ESD 血管分割

Mengya Xu、Ming Chen、…、Hongliang Ren · poster

香港中文大學；山東大學齊魯醫院

研究問題
ESD 中未見的黏膜下血管易致大出血，血管與周圍組織偽裝相似並有反光 / 煙霧 / 血液噪聲，需高 sensitivity 且抑制 false positive。
方法
首個明確納入 hard-negative 的 ESD 血管資料集（44 例、3,109 frames、2,401 正 + 708 curated hard negatives）；SAM3 ViTDet + Evidential（EDL）Head + FP-aware training + uncertainty-guided hard negative mining。
關鍵數據
Dice_FG 52.11、mIoU 35.23、VDR 96.81、BG_FPR 0.32、MAE 0.0147，優於 nnU-Net、TransUNet、MedSAM2、VesSAM 等。
結論
提供高可靠、抗 false-positive 的 pre-coagulation 工具，提升 ESD 病人安全。
對應照片 3
20260704_101432.jpg20260704_101459.jpg20260704_101513.jpg
15
影像分割

直腸陰道瘻（RVF）修補手術解剖 landmark 偵測 AI（poster PO-25-01307）

Koichiro Murakami、Tomoyuki Mizukuro、Tatsushi Tokuyasu · poster

Soshinkai Nagaokakyo Hospital；福岡工業大學

研究問題
RVF 罕見（約 1/10,000 產傷）、案例集中少數機構、缺訓練樣本；開發即時解剖 landmark 偵測並探討 AI 導入對手術 / 溝通的影響。
方法
HyperSeg（patchwise hypernetwork）分割 perineal body、vaginal wall、rectum；2,000 訓練 / 100 測試影像；25 consecutive cases 分組設計。
關鍵數據
Overall Dice 0.677；vaginal wall 0.672、rectum 0.705；Pre-AI → AI：dissection / operative time +221%、blood loss −73%。
結論
首個 RVF landmark AI；vaginal wall、perineal body 達 Dice ≥0.7，rectum 未達；發現 operative time 縮短但互動增加的「communication paradox」。
對應照片 1
20260704_101555.jpg
16
流程與跨領域

機器人膽總管囊腫切除的自動階段辨識 workflow 量化（poster PO-86）

A. Yasui、H. Uchida、Y. Hayashi、M. Oda、K. Mori · poster

名古屋大學

研究問題
機器人膽總管囊腫切除複雜多步驟；AI 自動 phase recognition 能否量化 workflow、揭示 pediatric 與 adult 複雜度差異。
方法
9 predefined phases；DenseNet-based classifier + EMA post-processing；30 影片（20 訓練 / 10 驗證），獨立 cohort N=20（12 pediatric / 8 adult）。
關鍵數據
overall accuracy 90.2%、macro-F1 0.834；pediatric 由 Scene3 / Scene6、adult 由 Scene4 主導時間變異。
結論
phase-level 量化提供超越 total operative time 的 workflow 資訊。
對應照片 1
20260704_101708.jpg
17
流程與跨領域

以 FRAM 建模手術排程複雜度

Sidra Rashid、Rebecca Weber、Lars Wagner、Dirk Wilhelm、Niklas Grabbe 等 · 演講 + poster

Technical University of Munich（MITI Research Group）

研究問題
手術室是醫院最貴單位，61% 延誤 / 取消源自行政與排程；多數 process model 建的是 work-as-imagined 而非 work-as-done。
方法
以 Functional Resonance Analysis Method（FRAM）建模變異傳播；專家訪談 + 直接觀察 + FMV / FMI 模擬 + FRAMalyse 量化。
關鍵數據
辨識 4 個 main phases、4 個 main agents；surgical team allocation 傳播最多變異，surgeons 為核心決策者。
結論
FRAM 可模擬不同輸入參數、提供改善排程的洞見。
對應照片 2
20260704_101758.jpg20260704_114834.jpg
18
語言模型與生成式 AI

RGB-D 時空框架的 Critical View of Safety 預測（Guo et al.）

Guo et al. · 演講

Intuitive Surgical

研究問題
CVS（C1 / C2 / C3）預測需 depth-aware、domain-robust 且能處理時序與遮擋。
方法
Depth Generator + DINOv2（非監督）+ Swin Transformer（監督）雙編碼器融合 + Spatio-Temporal Mamba（T=4）；weight inflation 保留預訓練權重；two-stage training。
關鍵數據
EndoScapes-CVS201 Avg mAP 70.4 / Avg BAcc 83.8（SOTA）；MT-CVS 跨資料集 zero-shot mAP 77.6；temporal window T=4 最佳。
結論
depth-conditioned ST-Mamba 抑制遮擋 token、線性複雜度，具強跨資料集泛化。
對應照片 2
20260704_115518.jpg20260704_115535.jpg
19
機器人手術與導航

以不確定性量化觸發的 Selective Interventions（協作機器人組織切除）

（投影片未顯示講者） · 演講

研究問題
監督式協助造成過多中斷 / 工作量，機器人困惑時無法溝通、無法處理非預期事件。
方法
以 deep ensembles 量化 workflow recognition 與 target recognition 的 epistemic / task uncertainty，導引 robot motion 與 human-in-the-loop control。
關鍵數據
workflow uncertainty 在 phase transition 上升；task uncertainty 隨 tissue variation 上升。
結論
評估 uncertainty-triggered selective interaction 對協作機器人切除的 reliability / efficiency / workload / trust 影響。
對應照片 2
20260704_120045.jpg20260704_120112.jpg
20
流程與跨領域

Procedural AI 產品化基礎設施（廠商演講）

（廠商演講，標註 Confidential） · 演講

研究問題
如何把 procedural AI 從 demonstration 推進到 regulated product。
結論
主張：團隊應專注差異化臨床能力與 device intelligence；產品化所需的 development infrastructure 是獨立專業，不應由各團隊各自重造。
對應照片 1
20260704_120857.jpg
21
影像分割

內視鏡腦下垂體手術器械分割方法 benchmark（#216）

Kendall Feeny、Anjana Wijekoon、Hani J. Marcus、Sophia Bano · poster

University College London；National Hospital for Neurology and Neurosurgery

研究問題
內視鏡腦下垂體手術空間狹窄、遮擋頻繁、器械高度專門化，需可靠器械分割。
方法
50 部影片、約 37k frames、約 28k masks、15 類器械；6 個模型、5-fold 交叉驗證，以 Dice 評估。
關鍵數據
整體 Dice：UNet 0.2243、DeepLabV3+ 0.2529、Segformer 0.3517、EndoViT 0.4123、EOMT 0.6231（最佳）。
結論
Transformer 優於 CNN；常見與稀有類別存在顯著 class-wise 效能不平衡。
對應照片 1
20260704_100614.jpg
22
診斷與預後

改善膠囊內視鏡吞服後診斷產出的術中 CAI（#213）

Krisplan Lawrence、Usha Goparaju、Luis Lamb · poster

Equitable Technologies（Cambridge, MA）；Stony Brook University

研究問題
膠囊內視鏡 15–30% 檢查部分 / 完全無法診斷（氣泡、殘渣、遮擋），且吞服後無法回收重測。
方法
從事後清潔度評分改為術中 sequential、feasibility-aware CAI：以輕量 CNN 於每個 checkpoint 計算 4 項描述子，並採 Proceed / Defer / Intervene / Terminate 政策（強調 causal、no leakage）。
關鍵數據
GIA 多 cohort 資料、3.51M annotated frames；early prediction AUROC 0.78、CAI-risk 0.89、worst-case 0.78。
結論
前 15–25% frames 即足以預測下游診斷失敗，可及早介入保留診斷機會。
對應照片 1
20260704_100631.jpg
23
機器人手術與導航

螢光奈米溫度計導引的機器人雷射組織焊接

Oscar Cipolato、Tobias Leuthold、…、Inge K. Herrmann · 演講 + poster

ETH Zürich（D-MAVT）；Balgrist University Hospital；Empa；University of Zürich；Charles University Pilsen

研究問題
縫合 / 釘合造成 trauma、scars、infection 與併發症；雷射組織焊接（LTS）為無縫線替代方案，但加熱溫度控制受限制約臨床應用。
方法
iSoldering 智慧焊膏含 albumin / GelMA 與螢光奈米溫度計，近紅外螢光具溫度依賴性可即時非接觸測溫（最佳 ~60°C）；三光纖工具（750 / 810 / 850 nm bandpass）+ PID 閉環控制雷射功率；整合 Dexter、KUKA LBR Med。
關鍵數據
豬隻腹腔鏡活體測試組織學顯示良好黏合、無熱損傷；發表於 Advanced Science 2024（10.1002/advs.202406671）。
結論
朝自動化、溫和、無縫的軟組織接合發展；限制含過熱風險、再現性與流程整合。
對應照片 6
20260704_094714.jpg20260704_094740.jpg20260704_094748.jpg20260704_094804.jpg20260704_094835.jpg20260704_100213.jpg
7/5

週六　議程詳錄

3 場

01
AI 驗證方法學

手術工作流程的通用概念分解與 ontology-based Safety Gate（自主手術機器人）

（投影片未顯示講者） · 演講

Sheikh Zayed Institute for Pediatric Surgical Innovation, Children's National Hospital

研究問題
以形式化知識驗證機器人手術動作的安全性，讓外科醫師可信任、可稽核。
方法
以 BFO / OntoSPM / FMA / SNOMED CT 形式化工作流程（MIREOT 只匯入必要 terms）；TBox（schema，Protégé）與 ABox（術中即時 individuals，rdflib）分離；SPARQL 做 local precondition、ASP / Clingo 做 global conformance；Safety Gate 為 verifier（AI 提案 → 驗證 → GATE OPEN / BLOCKED），而非 commander。
關鍵數據
以 partial nephrectomy P4→P5 不可逆步驟做 proof of concept（scripted scenarios）；兩手術 36 個 surgical units 中有 32 個共享 universal concept，8 phases 中 5 個 reusability 100%。
結論
提供 deterministic、explainable verification；目前 n=2 為 feasibility 而非 generalizability，下一步做 OWL formalization、global ASP pipeline 與 expert review。
對應照片 6
20260705_085505.jpg20260705_085528.jpg20260705_085610.jpg20260705_085709.jpg20260705_085736.jpg20260705_085835.jpg
02
機器人手術與導航

GPU 加速的器官變形模擬（Cube Shape Constraints，即時手術模擬）

Rintaro Miyazaki、Yuichiro Hayashi、Masahiro Oda、Kazunari Misawa、Kensaku Mori · 演講

名古屋大學資訊科學研究所 / Information Technology Center；愛知縣癌症中心醫院；國立情報學研究所（NII）

研究問題
既有 cube shape constraint-based deformable organ model（Miyazaki et al.，基於 Position-Based Dynamics、以 small-angle approximation 取代 polar decomposition）尚未有 GPU 加速的變形計算報告。
方法
將 GPU 平行化導入 cube shape constraint-based 變形模型；Hybrid organ representation（變形用 hierarchical cube structure、渲染用 surface mesh，surface vertices 映射到 cube structure）；cube elements 賦予 shape-preserving constraints，以 PBD + substep-based solver 做穩定模擬。
結論
評估 GPU 實作的效能，延續其 hybrid organ 變形映射工作（IJCARS 2025, 20:1785-1793）。
對應照片 3
20260705_090317.jpg20260705_090547.jpg20260705_090602.jpg
03
機器人手術與導航

手術機器人 digital twin 的細粒度互動框架：在 XR 中實現 segment-level 操作

An-Nhien Vo、Dhanakumaresh Subramani、Joachim Schmidt、Jan Arensmeyer、Philipp Feodorovici · 演講（標題頁）

University Hospital Bonn 胸腔外科；Bonn Surgical Technology Center (BOSTER)；Helios Hospital Bonn/Rhein-Sieg

研究問題
為手術機器人 digital twin 提供在 extended reality（XR）中細粒度、segment-level 的真實操作互動。
方法
提出 granular interaction framework，支援 surgical robotic digital twins 的 realistic segment-level manipulation（本次僅拍到標題頁）。
對應照片 1
20260705_091945.jpg

附錄 A　機構索引

Children's National Hospital

  • 手術工作流程的通用概念分解與 ontology-based Safety Gate（自主手術機器人）

DKFZ

  • Metrics Reloaded Surgery：手術 AI 驗證的陷阱與最佳實務

ETH Zürich

  • 螢光奈米溫度計導引的機器人雷射組織焊接

EnCoV（法國）

  • 微創手術免標定（calibration-free）stereo matching

Equitable Technologies / Stony Brook

  • 改善膠囊內視鏡吞服後診斷產出的術中 CAI（#213）

Helmholtz Imaging

  • 醫學影像 AI「超越 SOTA」宣稱的統計效度

Imperial College London

  • 大腸鏡自監督單目深度估計（Normal-guided Cross-attention）

Intuitive Surgical

  • Learning Where To Look：由手術影片預測 Parkland Grade（Poster #203）
  • 手術時序分割模型的貝氏融合（Bayesian Model Fusion，Poster #205）
  • RGB-D 時空框架的 Critical View of Safety 預測（Guo et al.）

Johns Hopkins University

  • TwinOR：動態手術室 photorealistic digital twin

TUM MITI

  • 以 FRAM 建模手術排程複雜度

UCL

  • 內視鏡腦下垂體手術器械分割方法 benchmark（#216）

UCL / GOSH

  • 以深度點追蹤穩健量化新生兒腸道手術 ICG 螢光灌流

University Hospital Bonn

  • 手術機器人 digital twin 的細粒度互動框架：在 XR 中實現 segment-level 操作

University of Pennsylvania

  • 以 Active Learning + 弱監督高效標註手術影片（ID 211）

University of Pennsylvania / Toronto

  • Sum-of-Checks：以大型視覺語言模型做手術安全的結構化推理（#217）

University of Pisa

  • 臨床與技術皆可行的 robotic sacrocolpopexy 導航系統（4-min pitch）

University of Strasbourg 等

  • Surg-NAT+：negation-aware 視覺語言精煉的細粒度手術理解

Université de Rennes 等

  • 外科資料科學的跨領域對話：對利害關係人與病患的效益再檢視

上海交通大學

  • BrachyPlan：低劑量率近接治療的細粒度劑量導引逆向規劃

九州工業大學 / MGH-Harvard

  • pix2surv 特發性肺纖維化（IPF）胸部 CT 預後預測

名古屋大學

  • 內視鏡動態場景 Gaussian Splatting 重建
  • PT-SAM：以 Visual Prompt Tuning 調適 SAM 做手術器械分割（poster PO-135）
  • 機器人膽總管囊腫切除的自動階段辨識 workflow 量化（poster PO-86）
  • GPU 加速的器官變形模擬（Cube Shape Constraints，即時手術模擬）

名古屋大學 / NII

  • Auto-regressive VLM 解讀縱向（longitudinal）3D CT：Proof of Concept

名城大學

  • 以 Stable Diffusion 生成胸部 CT 肺結節影像

國立臺灣大學

  • ABUS 乳房超音波電腦輔助診斷（雙分支 foundation model 高效微調）

天津大學（推測）

  • IMU 穿戴式介面用於 robotic ESD 內視鏡機器人控制

成功大學 / 國泰醫院

  • 頸椎椎弓螺釘置入術前 / 術後位置自動量化評估（poster PO-26-00010）

東京大學

  • VR 自動化小兒機器人手術縫合技能評估（ID 192）

東京農工大學

  • 整合 visual words 與 clinical findings 的皮膚疾病 Bayesian Network 分類

神戶大學

  • 以本地 LLM 自動偵測放射報告錯字（poster PO-50）

福岡工業大學 / 長岡京醫院

  • 直腸陰道瘻（RVF）修補手術解剖 landmark 偵測 AI（poster PO-25-01307）

香港中文大學

  • ARport：markerless AR 影像導引機器人手術 port placement

香港中文大學 / 齊魯醫院

  • ESD-VesNet：具不確定性感知與 hard negative mining 的 ESD 血管分割

（廠商）

  • Procedural AI 產品化基礎設施（廠商演講）

（機構未標明）

  • 肝臟微波消融（MWA）digital twin 與 replanning
  • 小型輔助機器人（compact robot）AR 定位 setup
  • 以不確定性量化觸發的 Selective Interventions（協作機器人組織切除）

附錄 B　主題索引

影像重建與深度估計

診斷與預後

機器人手術與導航

語言模型與生成式 AI

AI 驗證方法學

影像分割

流程與跨領域

附錄 C　照片檔名對照表

20260703_082709.jpg大腸鏡自監督單目深度估計（Normal-guided Cross-attention）
20260703_082903.jpg內視鏡動態場景 Gaussian Splatting 重建
20260703_083140.jpgABUS 乳房超音波電腦輔助診斷（雙分支 foundation model 高效微調）
20260703_083145.jpgABUS 乳房超音波電腦輔助診斷（雙分支 foundation model 高效微調）
20260703_083147.jpgABUS 乳房超音波電腦輔助診斷（雙分支 foundation model 高效微調）
20260703_083215.jpgABUS 乳房超音波電腦輔助診斷（雙分支 foundation model 高效微調）
20260703_083216.jpgABUS 乳房超音波電腦輔助診斷（雙分支 foundation model 高效微調）
20260703_083225.jpgABUS 乳房超音波電腦輔助診斷（雙分支 foundation model 高效微調）
20260703_083819.jpgABUS 乳房超音波電腦輔助診斷（雙分支 foundation model 高效微調）
20260703_083821.jpgABUS 乳房超音波電腦輔助診斷（雙分支 foundation model 高效微調）
20260703_083822.jpgABUS 乳房超音波電腦輔助診斷（雙分支 foundation model 高效微調）
20260703_084016.jpgABUS 乳房超音波電腦輔助診斷（雙分支 foundation model 高效微調）
20260703_085421.jpgABUS 乳房超音波電腦輔助診斷（雙分支 foundation model 高效微調）
20260703_090042.jpgpix2surv 特發性肺纖維化（IPF）胸部 CT 預後預測
20260703_094956.jpg頸椎椎弓螺釘置入術前 / 術後位置自動量化評估（poster PO-26-00010）
20260703_110328.jpg大腸鏡自監督單目深度估計（Normal-guided Cross-attention）
20260703_111642.jpgTwinOR：動態手術室 photorealistic digital twin
20260703_111814.jpgTwinOR：動態手術室 photorealistic digital twin
20260703_111910.jpgTwinOR：動態手術室 photorealistic digital twin
20260703_111911(0).jpgTwinOR：動態手術室 photorealistic digital twin
20260703_112118.jpgIMU 穿戴式介面用於 robotic ESD 內視鏡機器人控制
20260703_112159.jpgIMU 穿戴式介面用於 robotic ESD 內視鏡機器人控制
20260703_112213.jpgIMU 穿戴式介面用於 robotic ESD 內視鏡機器人控制
20260703_112247.jpgIMU 穿戴式介面用於 robotic ESD 內視鏡機器人控制
20260703_113505.jpgARport：markerless AR 影像導引機器人手術 port placement
20260703_113530.jpgARport：markerless AR 影像導引機器人手術 port placement
20260703_113554.jpgARport：markerless AR 影像導引機器人手術 port placement
20260703_113704.jpgARport：markerless AR 影像導引機器人手術 port placement
20260703_113719.jpgARport：markerless AR 影像導引機器人手術 port placement
20260703_113756.jpgARport：markerless AR 影像導引機器人手術 port placement
20260703_113944.jpg臨床與技術皆可行的 robotic sacrocolpopexy 導航系統（4-min pitch）
20260703_114102.jpg臨床與技術皆可行的 robotic sacrocolpopexy 導航系統（4-min pitch）
20260703_114817.jpg肝臟微波消融（MWA）digital twin 與 replanning
20260703_114859.jpg肝臟微波消融（MWA）digital twin 與 replanning
20260703_114926.jpg肝臟微波消融（MWA）digital twin 與 replanning
20260703_115305.jpg肝臟微波消融（MWA）digital twin 與 replanning
20260703_115319.jpg肝臟微波消融（MWA）digital twin 與 replanning
20260703_115348.jpg肝臟微波消融（MWA）digital twin 與 replanning
20260703_115717.jpg微創手術免標定（calibration-free）stereo matching
20260703_120218.jpg小型輔助機器人（compact robot）AR 定位 setup
20260703_120301.jpg小型輔助機器人（compact robot）AR 定位 setup
20260703_133458.jpgTwinOR：動態手術室 photorealistic digital twin
20260703_133537.jpgTwinOR：動態手術室 photorealistic digital twin
20260703_133713.jpgTwinOR：動態手術室 photorealistic digital twin
20260703_133909.jpgTwinOR：動態手術室 photorealistic digital twin
20260703_133917.jpgTwinOR：動態手術室 photorealistic digital twin
20260703_134531.jpg微創手術免標定（calibration-free）stereo matching
20260703_141740.jpgAuto-regressive VLM 解讀縱向（longitudinal）3D CT：Proof of Concept
20260703_141817.jpgAuto-regressive VLM 解讀縱向（longitudinal）3D CT：Proof of Concept
20260703_141929.jpgAuto-regressive VLM 解讀縱向（longitudinal）3D CT：Proof of Concept
20260703_142124.jpgAuto-regressive VLM 解讀縱向（longitudinal）3D CT：Proof of Concept
20260703_142142.jpgAuto-regressive VLM 解讀縱向（longitudinal）3D CT：Proof of Concept
20260703_142403.jpgAuto-regressive VLM 解讀縱向（longitudinal）3D CT：Proof of Concept
20260703_142537.jpgAuto-regressive VLM 解讀縱向（longitudinal）3D CT：Proof of Concept
20260703_142713.jpgAuto-regressive VLM 解讀縱向（longitudinal）3D CT：Proof of Concept
20260703_142752.jpgAuto-regressive VLM 解讀縱向（longitudinal）3D CT：Proof of Concept
20260703_142807.jpgAuto-regressive VLM 解讀縱向（longitudinal）3D CT：Proof of Concept
20260703_142931.jpgAuto-regressive VLM 解讀縱向（longitudinal）3D CT：Proof of Concept
20260703_143527.jpg整合 visual words 與 clinical findings 的皮膚疾病 Bayesian Network 分類
20260703_143548.jpg整合 visual words 與 clinical findings 的皮膚疾病 Bayesian Network 分類
20260703_143700.jpg整合 visual words 與 clinical findings 的皮膚疾病 Bayesian Network 分類
20260703_143854.jpg整合 visual words 與 clinical findings 的皮膚疾病 Bayesian Network 分類
20260703_144102.jpg整合 visual words 與 clinical findings 的皮膚疾病 Bayesian Network 分類
20260703_144244.jpg整合 visual words 與 clinical findings 的皮膚疾病 Bayesian Network 分類
20260703_144339.jpg整合 visual words 與 clinical findings 的皮膚疾病 Bayesian Network 分類
20260703_145944.jpg以 Stable Diffusion 生成胸部 CT 肺結節影像
20260703_150001.jpg以 Stable Diffusion 生成胸部 CT 肺結節影像
20260704_082134.jpgSurg-NAT+：negation-aware 視覺語言精煉的細粒度手術理解
20260704_082200.jpgSurg-NAT+：negation-aware 視覺語言精煉的細粒度手術理解
20260704_082230.jpgSurg-NAT+：negation-aware 視覺語言精煉的細粒度手術理解
20260704_082726.jpgVR 自動化小兒機器人手術縫合技能評估（ID 192）
20260704_082728.jpgVR 自動化小兒機器人手術縫合技能評估（ID 192）
20260704_082819.jpgVR 自動化小兒機器人手術縫合技能評估（ID 192）
20260704_083029.jpgVR 自動化小兒機器人手術縫合技能評估（ID 192）
20260704_083031.jpgVR 自動化小兒機器人手術縫合技能評估（ID 192）
20260704_084154.jpgMetrics Reloaded Surgery：手術 AI 驗證的陷阱與最佳實務
20260704_084206.jpgMetrics Reloaded Surgery：手術 AI 驗證的陷阱與最佳實務
20260704_084213.jpgMetrics Reloaded Surgery：手術 AI 驗證的陷阱與最佳實務
20260704_084303.jpgMetrics Reloaded Surgery：手術 AI 驗證的陷阱與最佳實務
20260704_084305.jpgMetrics Reloaded Surgery：手術 AI 驗證的陷阱與最佳實務
20260704_084316.jpgMetrics Reloaded Surgery：手術 AI 驗證的陷阱與最佳實務
20260704_084349.jpgMetrics Reloaded Surgery：手術 AI 驗證的陷阱與最佳實務
20260704_084912.jpgLearning Where To Look：由手術影片預測 Parkland Grade（Poster #203）
20260704_085059.jpgLearning Where To Look：由手術影片預測 Parkland Grade（Poster #203）
20260704_085153.jpgLearning Where To Look：由手術影片預測 Parkland Grade（Poster #203）
20260704_085224.jpgLearning Where To Look：由手術影片預測 Parkland Grade（Poster #203）
20260704_085320.jpg以深度點追蹤穩健量化新生兒腸道手術 ICG 螢光灌流
20260704_085343.jpg以深度點追蹤穩健量化新生兒腸道手術 ICG 螢光灌流
20260704_085521.jpg以深度點追蹤穩健量化新生兒腸道手術 ICG 螢光灌流
20260704_085603.jpg以深度點追蹤穩健量化新生兒腸道手術 ICG 螢光灌流
20260704_085616.jpg以深度點追蹤穩健量化新生兒腸道手術 ICG 螢光灌流
20260704_085636.jpg以深度點追蹤穩健量化新生兒腸道手術 ICG 螢光灌流
20260704_085707.jpg手術時序分割模型的貝氏融合（Bayesian Model Fusion，Poster #205）
20260704_085713.jpg手術時序分割模型的貝氏融合（Bayesian Model Fusion，Poster #205）
20260704_085752.jpg手術時序分割模型的貝氏融合（Bayesian Model Fusion，Poster #205）
20260704_085835.jpg手術時序分割模型的貝氏融合（Bayesian Model Fusion，Poster #205）
20260704_085907.jpg手術時序分割模型的貝氏融合（Bayesian Model Fusion，Poster #205）
20260704_085911.jpg手術時序分割模型的貝氏融合（Bayesian Model Fusion，Poster #205）
20260704_085959.jpg手術時序分割模型的貝氏融合（Bayesian Model Fusion，Poster #205）
20260704_090122.jpg醫學影像 AI「超越 SOTA」宣稱的統計效度
20260704_090158.jpg醫學影像 AI「超越 SOTA」宣稱的統計效度
20260704_091150.jpg以 Active Learning + 弱監督高效標註手術影片（ID 211）
20260704_091333.jpg以 Active Learning + 弱監督高效標註手術影片（ID 211）
20260704_091405.jpg以 Active Learning + 弱監督高效標註手術影片（ID 211）
20260704_091457.jpg以 Active Learning + 弱監督高效標註手術影片（ID 211）
20260704_093239.jpgSum-of-Checks：以大型視覺語言模型做手術安全的結構化推理（#217）
20260704_093402.jpgSum-of-Checks：以大型視覺語言模型做手術安全的結構化推理（#217）
20260704_093416.jpgSum-of-Checks：以大型視覺語言模型做手術安全的結構化推理（#217）
20260704_093528.jpgSum-of-Checks：以大型視覺語言模型做手術安全的結構化推理（#217）
20260704_093613.jpg外科資料科學的跨領域對話：對利害關係人與病患的效益再檢視
20260704_093728.jpg外科資料科學的跨領域對話：對利害關係人與病患的效益再檢視
20260704_093747.jpg外科資料科學的跨領域對話：對利害關係人與病患的效益再檢視
20260704_093810.jpg外科資料科學的跨領域對話：對利害關係人與病患的效益再檢視
20260704_093844.jpg外科資料科學的跨領域對話：對利害關係人與病患的效益再檢視
20260704_094001.jpgBrachyPlan：低劑量率近接治療的細粒度劑量導引逆向規劃
20260704_094014.jpgBrachyPlan：低劑量率近接治療的細粒度劑量導引逆向規劃
20260704_094030.jpgBrachyPlan：低劑量率近接治療的細粒度劑量導引逆向規劃
20260704_094039.jpgBrachyPlan：低劑量率近接治療的細粒度劑量導引逆向規劃
20260704_094050.jpgBrachyPlan：低劑量率近接治療的細粒度劑量導引逆向規劃
20260704_094714.jpg螢光奈米溫度計導引的機器人雷射組織焊接
20260704_094740.jpg螢光奈米溫度計導引的機器人雷射組織焊接
20260704_094748.jpg螢光奈米溫度計導引的機器人雷射組織焊接
20260704_094804.jpg螢光奈米溫度計導引的機器人雷射組織焊接
20260704_094835.jpg螢光奈米溫度計導引的機器人雷射組織焊接
20260704_100213.jpg螢光奈米溫度計導引的機器人雷射組織焊接
20260704_100528.jpg外科資料科學的跨領域對話：對利害關係人與病患的效益再檢視
20260704_100549.jpgSum-of-Checks：以大型視覺語言模型做手術安全的結構化推理（#217）
20260704_100614.jpg內視鏡腦下垂體手術器械分割方法 benchmark（#216）
20260704_100631.jpg改善膠囊內視鏡吞服後診斷產出的術中 CAI（#213）
20260704_100714.jpg以 Active Learning + 弱監督高效標註手術影片（ID 211）
20260704_100821.jpgMetrics Reloaded Surgery：手術 AI 驗證的陷阱與最佳實務
20260704_100833.jpgARport：markerless AR 影像導引機器人手術 port placement
20260704_100910.jpgVR 自動化小兒機器人手術縫合技能評估（ID 192）
20260704_100945.jpgTwinOR：動態手術室 photorealistic digital twin
20260704_100959.jpgSurg-NAT+：negation-aware 視覺語言精煉的細粒度手術理解
20260704_101248.jpg以本地 LLM 自動偵測放射報告錯字（poster PO-50）
20260704_101338.jpgPT-SAM：以 Visual Prompt Tuning 調適 SAM 做手術器械分割（poster PO-135）
20260704_101432.jpgESD-VesNet：具不確定性感知與 hard negative mining 的 ESD 血管分割
20260704_101459.jpgESD-VesNet：具不確定性感知與 hard negative mining 的 ESD 血管分割
20260704_101513.jpgESD-VesNet：具不確定性感知與 hard negative mining 的 ESD 血管分割
20260704_101555.jpg直腸陰道瘻（RVF）修補手術解剖 landmark 偵測 AI（poster PO-25-01307）
20260704_101708.jpg機器人膽總管囊腫切除的自動階段辨識 workflow 量化（poster PO-86）
20260704_101758.jpg以 FRAM 建模手術排程複雜度
20260704_114834.jpg以 FRAM 建模手術排程複雜度
20260704_115518.jpgRGB-D 時空框架的 Critical View of Safety 預測（Guo et al.）
20260704_115535.jpgRGB-D 時空框架的 Critical View of Safety 預測（Guo et al.）
20260704_120045.jpg以不確定性量化觸發的 Selective Interventions（協作機器人組織切除）
20260704_120112.jpg以不確定性量化觸發的 Selective Interventions（協作機器人組織切除）
20260704_120857.jpgProcedural AI 產品化基礎設施（廠商演講）
20260705_085505.jpg手術工作流程的通用概念分解與 ontology-based Safety Gate（自主手術機器人）
20260705_085528.jpg手術工作流程的通用概念分解與 ontology-based Safety Gate（自主手術機器人）
20260705_085610.jpg手術工作流程的通用概念分解與 ontology-based Safety Gate（自主手術機器人）
20260705_085709.jpg手術工作流程的通用概念分解與 ontology-based Safety Gate（自主手術機器人）
20260705_085736.jpg手術工作流程的通用概念分解與 ontology-based Safety Gate（自主手術機器人）
20260705_085835.jpg手術工作流程的通用概念分解與 ontology-based Safety Gate（自主手術機器人）
20260705_090317.jpgGPU 加速的器官變形模擬（Cube Shape Constraints，即時手術模擬）
20260705_090547.jpgGPU 加速的器官變形模擬（Cube Shape Constraints，即時手術模擬）
20260705_090602.jpgGPU 加速的器官變形模擬（Cube Shape Constraints，即時手術模擬）
20260705_091945.jpg手術機器人 digital twin 的細粒度互動框架：在 XR 中實現 segment-level 操作