标签
评估了利用72个临床案例生成乳腺癌治疗推荐的自主LLM系统，发现最佳系统（采用D&C+SA流程的Claude Opus 4.8）的全局得分为0.594，但由于持续存在的错误，尚不足以用于无监督临床使用。
本文介绍了iLENS，一种可解释的、由大语言模型（LLM）引导的混合专家（MoE）框架，用于阿尔茨海默病的生存预测和患者亚型分析。该方法为其路由决策提供了透明且基于生物学的合理解释，弥合了高性能生存分析与可解释临床决策支持之间的差距。
本文介绍了大型癌症助手（LCA），这是一种模型无关的编排框架，用于肿瘤学中的可扩展临床决策支持。该框架通过七元组架构和算法不可渗透性，将多模态数据摄入与AI推理解耦。
本文介绍了MMIR-TCM，一种新颖的框架，它整合了多模态大语言模型与记忆增强分割和检索增强生成技术，以支持中医临床决策，同时提供了新的数据集MedTCM和评估指标TDEU。
本文介绍了ClaMPAPP，一种混合架构，使用LLM作为接口从临床叙述中提取特征，然后将这些特征传递给XGBoost分类器进行儿童阑尾炎诊断，展示了相比端到端LLM基线更高的鲁棒性和安全性。
本文提出了一种在线自适应的临床决策支持AI系统，该系统整合了治疗效果估计、数字孪生模拟和强化学习，以在安全、临床医生监督的方式下推荐治疗方案，并在合成模拟器和TCGA卵巢癌数据集上进行了验证。
本文提出了VIBEMed，一种具有自进化机制和安全沙箱的多智能体框架，用于稳健的临床决策支持，集成了专门用于诊断、治疗计划以及随时间演化临床知识的智能体。
本综述回顾了知识图谱在医学中五个关键领域——临床决策支持、疾病预测、健康推荐系统、精准医学和医学问答——中的应用，讨论了挑战与未来方向。
本文提出了一种知识增强的中医视觉诊断系统，该系统使用Neo4j知识图谱、四阶段症状匹配流程以及信息增益驱动的主动提问策略，以提升透明度和可解释性。结果表明，该显著提高了诊断信任度并降低了认知负荷。
本系统范围综述审视了牙科医疗中三类大型AI模型：语言生成模型、判别式视觉基础模型和牙科专用基础模型，分析了97项研究，表明通用模型和领域专用模型发挥互补作用，集成流水线优于单一模型方法。
提出RAG4Outcome，一种整合多模态临床数据（PET-CT报告、手术记录、随访笔记）的检索增强生成框架，用于改善慢性骨髓炎的预后预测，增强可解释性和临床可靠性。
本研究评估了通过与大型语言模型（LLM）的交互式对话（通过 MedSyn 系统）如何提高急诊科医生在急诊环境中的诊断准确性，结果显示住院医师在处理疑难病例时的诊断准确率有显著提升。
本文介绍了 OncoAgent，这是一种专为肿瘤学隐私保护临床决策支持设计的双层多智能体框架。文章详细阐述了结合修正型 RAG、反思安全循环以及针对 AMD 硬件优化的双层 QLoRA 微调的系统架构。
本文提出了一种随机因果表征学习框架，以解决个性化医疗中的偏差-精度悖论，并证明了其在重症监护室（ICU）临床决策支持中提高了准确性和可解释性。
The author uses an AI agent to analyze 8 years of his mother's hypertension records, identifying morning surges and drug interactions that were missed during brief hospital visits, highlighting AI's role in bridging gaps in chronic care continuity.
Google DeepMind 宣布启动 AI 联合临床医生研究计划，旨在通过"三方协同诊疗"改善医疗服务——即 AI 智能体在医生监督下协助患者。该系统在一项初级医疗咨询研究中展现出高准确率且零严重错误，表现优于现有循证综合工具。