标签
研究人员开发并部署了 LLENS，这是一个本地部署的临床支持大语言模型智能体平台，在北海道大学医院的封闭网络内运行，使用开放权重的 Kimi K2.6 模型，并由 8 块 NVIDIA H200 GPU 提供算力。通过基于工具的交互式访问，该平台在医院文档问答中达到了 97.2% 的准确率，而采用固定检索方式时的准确率为 81.3%。
本文介绍了RASC+，一种用于临床值集编制的检索约束型大语言模型裁决方法，其通过基于Qwen3的检索和盲目裁决，提升了候选集召回率和选择精度，显著优于RASC基线中的直接生成方法。
介绍了BrainG3N，一种用于3D脑部MRI潜在扩散的双用途分词器，它使用冻结的掩码自编码器（MAE）编码器生成临床信息丰富的嵌入表示，并使用CNN解码器进行重建，在23个任务的基准测试中达到了最先进性能，并实现了可控生成和纵向预测。
本文提出了一种利用机器学习技术策展心脏科接口术语（CIT）的方法，用于突出显示电子健康记录笔记中的细节。该方法包含三个阶段，包括衍生训练数据并训练ML模型以识别候选概念，在测试数据上实现了高完整性和高覆盖率。