标签
介绍了 PhysAssistBench，这是一个用于评估 LLM 在交互式医生-患者-EHR 辅助中性能的基准。实验表明，当前模型在此场景下不可靠，凸显了协调能力的需求。
Google的研究表明，其医疗AI——AMIE能够长期有效管理健康状况，在推理能力上与临床医生相当，在计划的精确性和与指南的一致性方面更胜一筹，据发表在Nature上的一项研究所示。
本文提出一种对LLMs进行微调的方法，用于从AI心理健康应用的对话记录中直接预测PHQ-9抑郁严重程度评分，通过包含6,283名用户的增强数据集，实现了与临床阈值的强相关性。
医院中的AI旨在改善操作流程并支持临床决策，而非替代医生，重点是将AI融入现有系统，用于分诊、化验结果审查和患者监测等任务。
LongMoE提出了一个统一框架，同时解决多模态临床学习中的模态缺失和纵向动态问题，利用上下文感知插补、注意力令牌化、轨迹感知编码和稀疏混合专家路由。在ADNI、OASIS-3和MIMIC-IV上的实验表明，在缺失模态情况下鲁棒性得到提升，同时在完整模态设置下仍具有竞争力。
一个AI辅助的微流控系统成功在严重男性不育症病例中仅识别出两个可存活的精子细胞，从而通过该技术实现了首次临床妊娠。虽然基于单一病例报告，但这代表了AI辅助生殖医学的一个重要里程碑。
本文介绍了因果敏感性得分（CSS），一种干预性指标，用于评估临床大语言模型和智能体在患者输入沿临床意义维度变化时，是否适当地更新其建议。该指标揭示了标准覆盖度指标未能捕捉的隐藏能力画像，暴露了安全盲点和结构性响应能力缺陷。
本文提出了一种确定性的、基于规则的睡眠分期方法，该方法明确实现了美国睡眠医学学会（AASM）的评分规则，并提供了逐时段的自然语言解释。在50份多导睡眠图记录中，该方法与多数投票共识达到了60.5%的逐时段一致性，为不透明的深度学习模型提供了透明性的补充。
一位开发者感谢5000名关注者支持开源临床AI项目OpenMed，并暗示即将发布新的模型和数据集。
GraphDiffMed是一个药物推荐框架，它使用双尺度差异化注意力和药理学图先验来提高在EHR数据上的推荐质量和安全性。在MIMIC-III上的实验显示出相对于基线的持续改进。
本研究评估了提示语言（英语与法语）如何影响五个大型语言模型的诊断推理和准确性，使用了180个临床案例，发现大多数模型在英语下表现显著更好，只有o3是例外。
MuteBench是一个基准测试，用于评估多模态融合模型在临床数据集上的模态缺失和模态内部缺失条件下的性能。它提供了关于架构鲁棒性的见解，并表明基于扩散的插补方法可以有所帮助。
本文对三个脑电图基础模型（SleepFM、REVE、LaBraM）应用TopK稀疏自编码器，提取可解释的特征字典，并引入了概念引导框架，揭示了表征失败和临床纠缠问题。
RealICU是一个事后标注的基准测试，用于评估ICU场景中的大型语言模型（LLM），涵盖四个由医生驱动的任务。实验表明，现有LLM在回忆-安全权衡和锚定偏差方面存在困难，而一种新的结构化记忆代理改善了推理能力，但未能完全消除安全故障。
本文介绍了 ASD-Bench，这是一个全面的基准测试，从预测性能、校准度、可解释性和鲁棒性四个维度评估用于自闭症谱系障碍（ASD）筛查的 AI 模型。该研究使用 AQ-10 数据分析了不同年龄组的多种模型，强调了在临床 AI 应用中采用多指标评估的重要性。
本文介绍了 MedTPE，一种针对大语言模型电子健康记录的高效无损提示压缩方法，可显著降低临床预测任务中的词元长度和推理延迟。
一个教程和项目，演示在AMD MI300X上使用ROCm对Qwen3-1.7B进行LoRA微调，用于临床问答，为医疗AI开发提供无需CUDA的替代方案。
DeepER-Med引入了一个用于循证医学研究的智能体AI框架，具有明确的证据评价标准和新的基准数据集（DeepER-MedQA），包含100个专家精选的医学问题，相比生产平台表现更优，并通过真实案例的临床验证。
WiseMind是一个知识引导的多智能体框架，利用大语言模型进行精神疾病诊断，通过结合用于循证逻辑的“理性思维”智能体和用于共情沟通的“情感思维”智能体，在模拟和真实患者交互中实现了85.6%的诊断准确率。该框架利用DSM-5结构化知识图谱减少幻觉，并在保持临床合理性和心理支持的同时，比单智能体基线高出15-54个百分点。
OpenAI Academy 发布了医疗健康用例指南，包含适用于临床工作流程的提示模板，涵盖诊断测试、鉴别诊断、护理计划和患者文档。旨在帮助医疗专业人员利用AI进行临床决策。