标签
Anthropic 在旧金山湾区建立了一个湿实验室，用于物理生物学研究，旨在通过超越计算机模拟评估来开发罕见病治疗方法。
研究人员开发了一种名为xvr的AI技术，能快速将术中X光与术前3D扫描匹配，提升微创手术的精准度和安全性。
本文诊断了由于答案空间结构导致的医学问答测试时强化学习的失败，并介绍了PROSE，它通过奖励推理质量来在无标签数据下提升模型性能。
Children’s Hospital of Philadelphia使用开源NVIDIA AI工具如MONAI，快速创建儿童心脏的3D模型，用于心脏手术规划，提高先天性心脏缺陷护理的精确性和安全性。
本文提出了基于观测锚点的选择性同化（OASA），利用MRI数据预测胶质瘤患者的纵向肿瘤状态代理，相比基线方法提高了预测准确性。
CDPR是一种基于反事实优势的信用分配方法，用于通过强化学习训练成本感知的序列医疗诊断模型，在提高诊断准确性的同时减少检查成本和数量。
医生们开发了一种AI工具，能够从心电图中在不到两秒内检测心力衰竭和瓣膜疾病，有望加快诊断和治疗。
因医生意见相左，有人考虑借助ChatGPT或Gemini等AI聊天机器人咨询癌症治疗建议，并对AI在医疗中的安全性与实用性表示疑虑。
科学家利用人工智能和实验室培育的类脑器官，创建了迄今最大规模的自闭症分子图谱，发现了超过1800个蛋白质-蛋白质相互作用，这可能为新的靶向疗法提供信息。
Holtercare-Bench是一个多模态基准，用于使用Holtercare-23K数据集评估长期动态心电图分析，揭示了当前MLLMs的性能差距，并通过微调为临床应用提供改进。
本文提出了一种三流微调大语言模型框架，用于心理健康领域的自动化临床督导，实现了高精度的技术识别，并将督导分诊延迟从72小时降低到实时。
这项范围综述探讨了AI技术如何在农村医疗环境中应用，以增强药物安全并减少错误，识别了AI的类型、效果和特定挑战。
MultiSigBERT 是一种用于肿瘤学生存分析的新型多模态框架，它采用路径签名变换来整合电子健康记录数据，以提升风险预测效果。
本文探讨了医疗保健中的责任规则如何重塑人工智能算法设计决策和医生使用情况，发现这些规则可能导致人工智能使用的差异化，而强制要求准确率平等可能对两个群体都造成损害。
作者分享了在医疗保健领域使用 AI 记录员的复杂感受，承认它们为临床医生带来了解脱，但也对自动生成的笔记被永久存入病历的准确性表示担忧。
这篇观点文章认为，大语言模型尚不能安全用于自主临床决策支持，尤其是在对未分诊患者进行分诊时，原因在于缺乏在不完整信息和漏诊不对称成本条件下的稳健评估。
Oculus联合创始人迈克尔·安东诺夫讨论了他通过Deep Origin转向药物发现的经历，强调将人工智能与基于物理的模拟和实验验证相结合，以实现更安全的疗法，以及VR在医学培训中的作用。
作者感叹医院是思考AI价值的好地方，但AI在医疗领域的实际应用仍未带来普惠性突破，例如Fable 5和豆包等AI工具的效果有限。
作者使用Claude Code（搭配Opus 4.8）分析MRI扫描，发现与初始诊断存在差异，并讨论了AI在医学影像解读中的潜力与局限性。