标签
本文介绍了EHR-MPC框架，该框架通过使用电子健康记录训练患者的生成式数字孪生，将学习患者动态与治疗优化解耦，然后在推理时应用模型预测控制，在多个医院的脓毒症队列上实现了与强化学习基线相当或更优的性能。
Sam Altman发推称，医生发现GPT-5.6回复中的缺陷少于医生撰写的回复，这标志着AI在医疗保健领域的重大飞跃。
本文系统研究了五种语言下基于LLM的医疗问答中的跨语言差异，发现了事实对齐方面的显著差距，并提出了MultiWikiHealthCare数据集。
SafeImpute 提出了一种可靠的临床数据插补框架，针对不规则数据，利用图神经网络和共形选择来控制临床不可接受错误的错误发现率。
埃隆·马斯克声称，将AI与特斯拉的Optimus人形机器人结合，将实现人人可及的全民优质医疗保健。
《自然医学》的一项研究警告称，前沿AI模型在医疗领域看似医学上出色，但临床上尚未准备就绪，在改变问题或删除输入的应激测试中会失败。该研究强调，基准测试成功并不等同于临床准备就绪。
本文研究了在FHIR环境中为临床协议执行任务使用来自世界反馈的强化学习，识别了诸如高静默完成上限和零梯度任务等结构性障碍，并引入了具有更低上限的MedAgentBench-v3。它表明，由于这些障碍，纯强化学习表现不如基于规则的SFT，并提出了一种结合SFT+RL的方法。
Auto-FL-Research 引入了一种受约束的编码代理工作流，用于自动搜索和评估联邦学习算法配方，在多个医疗健康和 LEAF 任务上展示了性能提升，同时也揭示了种子敏感和搜索选择的失败案例。
本文系统比较了在电子健康记录数据中Transformer的离散、连续和混合值编码策略，发现基于分箱的混合令牌方法具有稳健的性能，并推荐作为实用的默认选择。
本文提出了一种基于领域知识的时空图卷积网络用于心电图识别，该网络利用PRQST关键点和双流有向图来建模心电图周期内和周期间的依赖关系，在首届中国心电图智能竞赛数据集上取得了最先进的F1分数。
一项使用合成医疗保健数据库对RAG技术进行的基准测试研究发现，优化文档结构比调整模型参数能带来更大的性能提升。
SchemaRAG是一个检索增强生成框架，能够动态缩减面向LLM驱动的结构化信息提取的输出模式空间，在医疗健康和电子商务数据集上实现了性能提升和效率优化。
本文介绍了Manana，一种非参数提示学习框架，它教导LLMs在代表性不足的癫痫护理环境中推荐抗癫痫药物并转诊不确定的病例，在乌干达队列上提高了准确性，并实现了高精度的选择性预测。
Anthropic 正在启动一个内部 AI 药物发现项目，旨在开发针对被忽视疾病的治疗方法，同时改进其面向制药公司的 AI 工具，并加入科技巨头在医疗健康市场的竞争。
本文报告了一项针对临床AI工具的盲评，采用医生在临床即时提出的真实查询，比较了专用模型与通用模型在五个维度上的表现。专用工具（OpenEvidence）在所有维度上均优于通用模型，作者同时发布了Real-POCQi基准测试集。
成立一年后，OpenMed已实现3.4亿次模型下载，提供超过1500个采用Apache 2.0许可的开放医学模型，其中650+个能够在iPhone上本地运行。