标签
SMILESGNN引入了一种多模态架构，该架构结合了SMILES转换器和图神经网络，并采用交叉注意力机制，用于可解释的药物毒性预测。它在ClinTox和Tox21等基准测试上以最少的参数取得了有竞争力的性能。
本文介绍了 Modality Discrepancy Transformer (MDT)，一种新型多模态融合框架，它增强了跨模态差异建模，用于在临床视频中识别矛盾与犹豫，在 BAH 数据集上优于基线方法。
SHIFT-M3是一种轻量级预融合筛查工具，用于衡量LLM生成和临床报告摘要之间ECG记录的对齐一致性，在检测数据完整性问题方面达到高准确性。
本研究通过重新运行具有相同输入的任务并比较医嘱，考察了临床LLM智能体的行为级可靠性，发现了基准测试可能忽略的显著分歧，并提出了增强的评估方法。
本文提出了一种用于锥形束CT报告生成的复合目标，该目标优先考虑事实蕴含而非词汇重叠，表明优化词汇指标会损害事实准确性。它发布了一个数据集和代码，并展示了一个在极性、侧别和牙齿水平一致性约束下生成受限临床报告的系统。
本文提出了Fed-Equilibrium，一个联邦学习框架，利用拓扑帕累托控制来平衡临床网络中的鲁棒性和公平性，确保少数节点能够达到与主要枢纽节点相当的收敛性。
本文介绍了LogiMed-RoB，这是一个评估大语言模型在医学风险偏倚评估中分层逻辑一致性的基准，揭示了高原子一致性可能掩盖临床部署中的关键推理缺陷。
本文提出了一种Program-Solve接口，临床语言模型生成Python代码，交由确定性执行器进行数学计算。通过在MedCalc-Bench上的评估，我们发现大型模型如Qwen2.5-32B相比直接算术和手写库，准确性有所提升。
本文通过Gemma-3-27B-PT的机制可解释性方法，提取抑郁症症状向量并与临床医生判断进行对齐，证明了可解释临床评估工具的应用前景。
本文提出了一种名为AI Morbidity and Mortality (AI M&M)的非责备框架，用于对临床AI失败进行案例审查，旨在将个体错误转化为可操作的机构学习。
论文评估了一个可配置的多智能体系统（nMAS），用于从碎片化的临床文档中提取结构化的肿瘤学数据，与基线模型相比取得了高性能。
本综述通过引入定义、分类法和任务驱动的建议，形式化了计算病理学中的可解释人工智能（XAI）方法，以应对临床采纳的挑战。
本文审计了大型语言模型在临床疼痛语音转录中的拒绝和编造行为，发现权威框架提示会导致如Gemini 2.5 Flash和Llama 3.1 8B等模型产生自信编造，而合作提示则显示出稳健的弃权行为。
本文介绍了EEG-to-Report，这是一个基于浏览器的框架，用于标注临床EEG数据并提取特征以创建AI就绪数据集，其中包含一个自动报告模块，该模块结合了卷积网络和大语言模型来生成临床叙述。
该论文提出了一种多模态提示学习框架，用于处理电子健康记录中的缺失模态，以实现重症监护病房中的鲁棒临床预测，引入了四种提示类型来捕获依赖关系和交互作用。
本文介绍了CAIR，一个在现实缺失条件下用于生理时间序列数据插补的两阶段框架，通过纳入间隔机制和课程感知训练，超越了现有方法。
本文通过分析语言和视觉语言模型中的后门攻击，提出检测框架和新颖的攻击方法，并介绍针对临床应用的高效多模态模型，以解决人工智能中的安全性和效率问题。
本文研究了临床数据的最优传输解释，表明虽然热图可以定位合成病变，但无法定位真实疾病，突出了医疗保健中可解释人工智能的合成到现实差距。
本文在临床AI中区分了生成上下文与受控状态，论证了可问责的纵向推理需要一个受控的患者状态表示，并提出了一个分层治理标准和成熟度框架。