标签
对基于扩散的医学图像修复方法的系统性综述，涵盖架构、应用、数据集和评估策略，提出了分类方法并识别了挑战（如缺乏标准化基准）。
Microsoft Research与Broad Institute在Dana-Farber Cancer Institute的支持下，合作开展Project Ex Vivo，利用AI更好地理解癌细胞状态，推动精准肿瘤学发展。
福布斯文章解释了分割学习，这是一种使AI模型能够在敏感数据上训练而不暴露原始数据的技术，提高了隐私合规性并降低了通信成本。
本文评估了GPT-4.1模拟角色进行观点预测的能力，成功准确预测了美国九个州中八个州的选举结果，并在预测儿童疫苗信念方面达到了高准确率，尽管模拟对话缺乏自然的人类流畅性。
一种新颖的决策感知机器学习框架在塞拉利昂全国部署用于分配基本药物，实现了19%的消耗量增长，覆盖了200万妇女及五岁以下儿童。
提出了TRACER框架，该框架集成了基于严重性的知识图谱和检索增强生成，用于轨迹感知的临床风险预测，在MIMIC-III和MIMIC-IV数据集上，死亡率和再入院预测取得了大幅提升。
LLM4EHR 提出了一种临床基础模型，该模型通过领域自适应的大语言模型和正则化对比目标，在时间上对齐电子健康记录（EHR）时间序列与医疗事件序列，从而提升下游预测任务的性能。
本研究利用MEPS数据和机器学习方法分析了COVID-19疫情前后财务脆弱性的模式，发现收入水平、保险状态和处方药支出是关键预测因素，且存在持续的不平等。
Cura 1T 是一款专注于医疗领域的LLM，通过人工门控的自我进化循环进行训练，该循环在患者咨询、临床推理和智能体医疗任务上不断改进，在医学基准测试中取得了顶尖性能，同时保持了通用推理能力。
Bunkerhill从知名投资者处融资5500万美元，用于构建医疗AI代理。该应用在试点医疗系统中取得了挽救生命的效果和显著的效率提升。
本文介绍了一种用于母婴健康资源导航的安全约束LLM系统的设计与实现，采用多层架构，包括领域受限的RAG和边界强制执行，以确保安全性和可靠性。
本文探讨了“转换陷阱”，即人工智能提供了智能，但由于基础设施和交付系统薄弱而未能产生成果，并以新冠疫苗分发为例。
一位开发者分享了使用AI为诊所生成内容的经验，强调在医疗领域，即使AI写得很好，人工审核对于准确性和信任度仍然至关重要。
本文介绍了ThReadMed-QA多轮医疗对话数据集，并评估了五种大语言模型在纠正患者误解方面的表现，发现后续轮次中性能显著下降。
Muse Spark 1.1 在放射学最后考试 2.0（一项面向医疗自主 AI 诊断的新型视觉推理基准）上表现优于 GPT-5.6 Sol 和 Gemini 3.1，但落后于 Fable 和人类放射科医生。
Queue的全自动机器人药房自助终端在60秒内完成配药，在帕洛阿尔托的试点项目每分钟分发600片药。这家初创公司已筹集1860万美元，并计划在2027年初进行更广泛推广。
本文评估了检索增强生成（RAG）与长上下文提示在电子健康记录临床推理任务中的表现，发现RAG在令牌效率上具有竞争力，尤其在影像提取和抗生素时间线重建方面表现突出。
本文介绍了特征充足性分析（FSA），这是一个框架，用于确定临床特征子集是否足以用于AI模型预测，并通过术后通气和死亡率预测的案例研究进行说明。