2026年5月6日，ICASSP 2026的第二天，相较于首日的开幕仪式与全体会议，第二天的会议安排更聚焦于各个具体研究方向的深入交流。
这一天的BISP 分会场围绕医学图像分析、弱监督分割、临床数据建模与大模型辅助医学等问题展开。报告主题与实验室长期关注的计算机视觉、医学影像分析方向高度相关，具有较强的启发意义。与大会报告的宏观视角不同，分会场论文汇报更加注重具体问题、方法设计与实验验证，报告者会围绕任务难点、模型结构、数据挑战和性能表现展开较为系统的介绍。
首先，XNet-DT 相关工作（论文标题：“XNet-DT: Direction-Aware and Resource-Balanced Dual-Tree Complex Wavelet Network for Fully- and Semi-supervised Coronary Artery Segmentation”）关注资源受限临床数据场景下的医学图像分析问题。临床医学数据往往存在标注成本高、样本数量有限、数据分布复杂等现实困难，这使得模型在全监督与半监督条件下都面临较强挑战。报告中，作者从临床数据稀缺性出发，介绍了如何通过更有效的特征建模和对抗学习策略提升模型在有限标注条件下的表现。该工作体现出当前医学人工智能研究中的一个重要趋势：模型设计不仅要追求指标提升，也需要考虑真实临床数据环境中的可用性与鲁棒性。
其次，KG-SAM 相关工作（KG-SAM: ENCODING STRUCTURAL CONSTRAINTS INTO SEGMENT ANYTHING MODELS VIA PROBABILISTIC GRAPHICAL MODELS）围绕医学图像分割中的结构约束建模问题展开。尽管 SAM 在通用图像分割任务中表现突出，但在医学图像场景中，模型仍然容易受到器官边界模糊、解剖结构关系复杂以及不同患者个体差异等因素影响。作者从医学图像分割的实际难点出发，介绍了如何将结构先验融入 SAM 框架，使模型不仅能够关注局部视觉特征，也能够利用器官之间的解剖关系对分割结果进行约束。该工作通过概率图模型对结构关系进行建模，并进一步增强分割结果在医学场景中的一致性与可靠性。报告内容体现出一个重要趋势：面向医学影像的基础模型应用，不能简单依赖通用视觉模型的迁移能力，还需要结合医学知识、结构约束和任务特点进行针对性改进。
随后的报告围绕 E2-CAM 展开（E2-CAM: EDGE-ENHANCED PROTOTYPE-BASED CLASS ACTIVATION MAP FOR WEAKLY SUPERVISED MEDICAL IMAGE SEGMENTATION），主题与弱监督医学图像分割密切相关。医学图像分割通常需要精细的像素级或体素级标注，但这类标注不仅耗时，而且高度依赖专业医生经验，因此弱监督分割成为近年来的重要研究方向。该工作从类别激活图的改进出发，尝试利用边缘增强与原型注意机制提升弱监督条件下目标区域定位的准确性。报告中展示的结果表明，在有限监督信号下，如何更好地区分病灶边界、组织结构和背景区域，仍然是弱监督医学图像分割中的关键问题。
最后，CAUSAL-SAM-LLM 相关工作（CAUSAL-SAM-LLM: LARGE LANGUAGE MODELS AS CAUSAL REASONERS FOR ROBUST MEDICAL SEGMENTATION）聚焦于医学图像分割模型在真实临床场景中的域外泛化问题。报告指出，现有深度学习模型在跨扫描设备、成像模态和解剖结构迁移时，容易学习到解剖目标与特定成像风格之间的虚假相关，从而影响分割结果的稳定性。针对这一问题，作者在冻结 SAM 编码器的基础上，引入大语言模型进行因果推理。该报告体现出医学图像分割研究正在从单纯追求模型性能，进一步走向鲁棒性、因果解释和临床可交互性的综合提升。
从 BISP 分会场可以看出，医学影像方向的研究正在呈现出几个明显特征：一是更加重视真实临床数据中的小样本、弱标注与分布差异问题；二是更加关注三维结构、边缘细节和全局上下文的联合建模；三是大模型、多模态推理和因果分析等方法正在逐步进入医学图像处理任务。对于参会者而言，这些报告不仅展示了具体算法的改进，也提供了观察医学人工智能研究趋势的重要窗口。
这一天的海报展示依旧体现出高度交叉的特点。许多工作已经不再局限于单一任务的性能提升，而是进一步考虑模型在复杂真实场景中的适应能力、解释能力与部署效率。这种趋势也与 BISP 分会场的报告形成呼应：无论是临床数据建模、医学图像分析，还是弱监督分割与大模型辅助推理，研究者们都在尝试将更强的表示学习能力与更真实的应用需求结合起来。
对于关注医学影像的研究者而言，这天的会议内容不仅展示了当前研究的技术前沿，也进一步揭示了未来医学人工智能走向真实应用所需要面对的关键挑战。