实验室博士生王帆作为第一作者的论文《Retriever Encoder Selection Matters for In-Context Learning-based Medical Segmentation》被人工智能领域顶级国际会议AAAI 2026录用。该论文由王帆、韩忠义（通讯作者）、宫永顺、尹义龙（通讯作者）共同完成。AAAI（Association for the Advancement of Artificial Intelligence）是人工智能领域顶级会议之一，被中国计算机学会（CCF）列为A类国际学术会议。

针对医学影像分割中基础模型泛化受限的问题，提出了基于上下文学习的实例自适应检索编码器选择框架（IRES）。传统方法依赖固定的检索编码器（RE）将查询样本与训练样本映射到共享特征空间，但团队发现，RE 的选择本身可造成超过 70% 的性能差异，是影响模型效果的关键因素。为此，研究者提出 IRES 方法，通过输出预测结果动态选择最优编码器，从而针对每个查询自适应地提升分割性能。其核心指标为形状稳定性评分，用于评估预测掩膜在迭代腐蚀下的形态稳定性，实验表明该指标与真实编码器质量高度相关。此外，团队设计了并行预测与互惠邻居复用机制，显著降低推理开销。实验结果显示，IRES 在 FUNDUS、Brain MRI 与 Chest X-ray 等数据集上均取得显著性能提升，为医学影像分割中的动态模型选择提供了高效可靠的新方案。