标签
EarlyDx is a new large-scale benchmark for evaluating LLMs on open-ended, evidence-supported diagnosis generation at emergency department admission, built from 154,834 MIMIC-IV encounters. It reveals that even frontier and medical-specialized models struggle to synthesize admission-time evidence, with post-training only partially improving inference-dependent recall.
MyoCardBench是一个用于评估心血管护理领域大型语言模型的真实世界基准，包含13个任务共2,263个条目。GPT-5.4获得了最高总分，展现了在全周期护理和多模态解读方面的优势。
提出了一种用于痴呆症病因诊断的协作元知识增强（COME）框架，该框架将异质性感知嵌入注入到统一的Transformer架构中，在多个独立队列上实现了最先进的性能。
本文提出了一种检索增强的多智能体LLM框架，结合人在回路机制，用于从临床记录中检测皮肤免疫相关不良事件。与人工审查相比，该框架实现了更高的准确率（F1=0.88 vs 0.77）、更优的评估者间一致性（Cohen's kappa系数为0.82 vs 0.50），并将平均审查时间缩短约一半。
本文表明，蒙特卡洛丢弃法能够为胸部X光片分类器提供认知不确定性信号，当以二元错误风险标志的方式传达时，可改善临床决策支持代理的错误检测，并减少自信误诊。
OpenAI 正在向所有美国用户推出 ChatGPT Health，允许他们连接医疗记录和健康追踪数据，并声称具备临床医生级别的推理能力，且与 GPT-5.6 Sol 集成。
本文将信息缺失压力测试推广至开放式医疗对话，发现大语言模型评审者的选择会显著改变表观安全性，且LLM评审者比临床医生更为宽松。
本文描述了TalTech系统，该系统直接利用医患对话音频生成SOAP笔记，采用通过监督学习和DAPO强化学习微调的Voxtral模型。他们的提交在BeTraC挑战赛的两个赛道均排名第一，实现了高概念准确率和低幻觉率。
Tri-Net v2 是Scientific Reports论文中关于统一的皮肤病变和基于症状的猴痘检测的开源实现。
Kimi K3 人工智能模型在 OpenMed 从 DICOM 数据中移除所有 23 个患者标识符后成功读取了一张胸片，从而确保了隐私。该模型正确识别出左侧白肺（left-sided whiteout）。
Thinking Machines的Inkling是一个975B参数模型，通过llama.cpp在Mac Studio上本地运行。它听取了一段问诊音频，从闲聊中的细微线索准确诊断出心力衰竭，展示了无需离开本机的先进医学推理能力。
@MaziyarPanahi在Mac Studio上使用llama.cpp本地运行GLM-5.2和Bonsai 27B处理一份三年的病历，发现了一个曾被标记但被忽略的危险药物相互作用。两个模型在Apache-2.0许可下完全在设备上运行，Bonsai在约2秒内回答查询，@PrismML声称一个1-bit构建可以装进iPhone。
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。
本文为血液肿瘤学中的临床推理开发了一个代理式评估框架，发现大语言模型的主要失败原因在于系统性的信息寻求缺陷，而非知识不足，其错误模式类似于新手临床医生的认知偏差。
本文提出一个框架，利用Toulmin论证模型对基于OCT图像的ML视网膜诊断进行结构化，整合生物标志物提取、医学大语言模型推理（MedGemma）和相似度度量（MedSigLip），以实现可解释且基于证据的诊断辅助。
推荐蚂蚁百灵大模型API，每天赠送100万token，特别擅长医疗行业，支持OpenAI SDK兼容接入，提供快速开始文档。
本文介绍HCC-STAR，一个临床对齐的大语言模型，用于肝细胞癌的风险分层和治疗指导，旨在通过利用电子病历改进精准治疗。
MentalHospital是一个虚拟环境，旨在评估AI智能体与人类专家在精神病学临床接诊中的表现，涵盖问诊、检查、诊断和治疗规划。实验通过客观与主观指标比较人类专家、受训人员及多种大语言模型。
EpistemeAI 发布了 Reasoning-Medical0.1-27B，这是 Qwen3.5-27B 的医疗推理微调版本，声称通过在精心策划的 10 万条记录数据集上引入链式思维推理，在多项医疗基准测试中超越了 MedGemma。
本研究评估了九种心电图基础模型在Brugada综合征检测中的表现，发现预训练提供了优化稳定性，但未提供可迁移的临床知识，这对大规模预训练对罕见疾病有益这一假设提出了挑战。