标签
论文提出了MedPAO-Assist，一个边缘可部署、模态感知的智能体AI框架，能够利用约0.6B参数的小型语言模型对口述的影像报告进行结构化处理，在仅CPU的笔记本电脑上运行时内存占用约3.3GB，延迟约31秒。
本文在 ZebraMap 罕见病基准上研究了基于事后信息引导的推理蒸馏方法：由一个能看到真实诊断结果的 8B 教师模型生成思维链轨迹，并据此对一个 1.5B 学生模型进行微调。研究发现，经过污染过滤的变体版本略优于但显著超过教师模型，并识别出"GT 幻觉"——即真实标签短语泄漏进推理链——这一必须加以过滤的关键干扰因素。
本文提出一种方法，利用语料库特征分析和逆向宪法微调来提升AI生成放射学报告与真实放射科医生写作风格的对齐度。该方法在文本对齐指标上取得显著改进，验证了其在风格感知报告生成中的有效性。
本文评估了用于ICD-10-CM编码的神经网络、工作流和代理系统，识别了罕见和复杂编码上的失败模式，并表明工具增强的代理配置可以在特定子集上恢复性能。
KREL是一个框架，利用大语言模型进行自动医疗编码，通过整合结构化的ICD编码指南来改进推理并减少幻觉。它在基准数据集上优于现有方法。
本文介绍了一个知识引导的代理框架，该框架识别健康查询中缺失的患者上下文，并提出针对性的后续问题，以提高下游语言模型响应的准确性和一致性。
本文对使用Llama和MMed-Llama模型的生产规模临床NLP流水线中的推理时门控进行了实证研究，表明从验证器拒绝中学习过滤规则在大规模下会失败，而基于本体和证据测试的过滤器是有效的。
本文研究基于LLM的指标以评估放射学报告生成中的临床意义，识别现有LLM评估器中的判别偏差，并提出训练轻量级可解释指标以改善错误检测与无害变异容忍之间的平衡。
本文介绍了ChristBERT，一个基于RoBERTa的面向德国临床NLP的领域特定语言模型家族，并在医学命名实体识别和文本分类任务上评估了三种领域适应策略（继续预训练、从头预训练和词汇适应），取得了最先进的结果。
本文提出了一种针对免疫介导和感染性疾病的专科医学语言模型，用于从临床叙述中提取信息。该模型采用BiLSTM-CNN-Char架构，在371份病例报告的精标语料库上训练，F1得分达到0.89。
Leanly_AI 是由福州大学附属医院研发的垂直领域大语言模型，旨在为接受临床体重管理的患者提供循证心理支持。该模型融合了人群健康数据，在确保临床可解释性与安全性的前提下，致力于应对肥胖相关的情绪挑战。