DDXPlus: 自动医学诊断新数据集
引入了一个名为 CoAD 的新型疾病和症状协作生成框架，通过对多个关键创新的整合来改善 AD，并在各类数据集上展示得到了平均 2.3% 的改进。
Jul, 2023
建立对话系统可用于自动不同诊断，但相关数据集有限。本研究介绍了 MDDial 作为首个英文不同诊断对话数据集，并探索了综合计分方法以表征症状和诊断的关联，结果表明 MDDial 可用于研究不同诊断对话。
Aug, 2023
通过使用基于 Transformer 的生成模型 DDxT，该论文展示了一种自动化的差异诊断方法，其在消除了大量可能的病理学情况后能够生成可能的病理学选择，并使用神经网络预测真实的病理学，相较于以往基于强化学习的方法在当前基准测试中取得了更优秀的结果。总体而言，这种自动化的 Transformer-based DDx 生成模型有潜在成为紧急情况下医生的有用工具的可能性。
Dec, 2023
本研究介绍了一种为诊断推理进行优化的大型语言模型 (LLM)，并评估其生成独立诊断推理 (DDx) 或为临床医生提供辅助的能力。结果显示，在挑战性真实医学案例中，使用 LLM 辅助的临床医生在 DDx 质量和全面性方面表现优于未使用该辅助工具的医生，证明 LLM 为 DDx 提供了潜力，有望改善医生在复杂病例中的诊断推理和准确性。
Nov, 2023
医学对话系统应用了 Intuitive-then-Analytic Differential Diagnosis (IADDx) 方法进行差异诊断，并通过检索顺联结合图增强的分析过程提供疗效理论和指导。该研究验证了该方法的有效性，并展示了其在诊断过程中对临床医生和患者的辅助作用，例如生成中间结果和基于图的诊断路径。
Jan, 2024
通过使用机器学习开发了一种简便、快速和低成本的方法来识别自闭症，其中支持向量机作为最优模型具有更高的准确率、更高的召回率以及相对于随机森林提高了 2.22％至 6.67％的准确率。
Apr, 2024
利用不同机器学习算法研究自闭症的诊断方法，发现了最重要的特征并自动化了诊断过程，同时采用流行的聚类算法对数据集进行了进一步分析，得出了最佳聚类模型。
Sep, 2023
采用调谐自由的 LLM（大语言模型）代理作为医学从业者，我们提出了基于代理的多专科咨询（AMSC）框架，通过自适应地融合代理对潜在疾病的概率分布来模拟真实世界中的诊断过程。实验结果显示了我们的方法相比基线的优越性。值得注意的是，我们的方法需要极少的参数更新和训练时间，提高了效率和实用性。此外，我们深入探讨了在自动诊断背景下的隐性症状的新角度。
Jan, 2024
该研究提出了一种隐私保护的开源数据集 MMASD，它包括来自 32 个 ASD 儿童游戏治疗干预的数据，被分割成超过 100 个小时的干预录音，并由四个隐私保护数据模式组成，可帮助研究人员了解儿童的认知状态，监测他们在治疗期间的进展，并相应地定制治疗计划。
Jun, 2023