通过考虑医生和病人之间的对话，我们将自动诊断重新定义为症状序列生成任务，并基于变压器（Diaformer）提出了一个简单而有效的自动诊断模型，采用症状注意机制和三种无序的训练机制来提高自动诊断的准确性。在三个公共数据集上的实验结果表明，Diaformer 模型在疾病诊断方面优于基线模型，准确率分别提高了 1%、6%、11.5%。

Dec, 2021

本文提出了一个大规模的综合数据集，包括大约 1.3 百万患者的诊断、症状和先决条件的差异诊断，用于自动症状检测和自动诊断系统的训练，以帮助医生更好地了解这些系统的推理。

May, 2022

OpenClinicalAI 是首个在复杂不确定的临床环境中动态制定诊断策略并提供诊断结果的端到端模型，通过耦合深层多动作增强学习（DMARL）和多中心元学习（MCML）来完成开放式识别并取得比现有模型更优秀的性能和更少的临床检查，为将 AD 诊断系统嵌入当前医疗保健系统提供机会。

Jul, 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

通过医患互动，将医学知识与病症识别相结合，建立一种诊断助手，显著提高疾病识别的能力，并整合视觉感知信息以增强诊断助手的功能。

May, 2024

通过采用强化学习和分类技术，设立自适应机制，使用分布熵对齐，创建新的患者模拟数据集，有效提高医疗诊断准确率。

Dec, 2021

计算机辅助诊断是一个快速发展的医学成像研究领域。本文综述了在计算机辅助诊断中应用机器学习和模式识别的算法，以检测包括肝炎、糖尿病、肝病、登革热和心脏疾病在内的多种疾病，以提高疾病检测的精确性和支持决策过程的客观性。

Jul, 2023

通过机器学习算法对冠心病风险进行分类，本研究开发了一种数据平衡和增强方法，提高了诊断准确性，对样本数量较少和数据不平衡的情况特别适用。实验结果显示，本方法的平均预测准确率为 95.36%，高于随机森林、决策树、支持向量机、逻辑回归和人工神经网络。

Aug, 2023

本项开创性研究借鉴 AutoGPT 的启示，开发了一种名为 AD-AutoGPT 的新工具，可以通过用户的文本提示自主地进行阿尔茨海默病复杂健康故事的数据收集、处理和分析，从而提供有关公众关注重点的有价值见解，并为未来 AI 驱动的全球卫生调查奠定基础。

Jun, 2023

本研究分析通过卷积神经网络和支持向量机预测疾病，并使用 K-Means 和主成分分析研究了疾病的歧义性，结果表明机器学习可以在疾病早期阶段对疾病进行 98-100% 准确的诊断。异常症状是诊断疾病的良好代理，同时也提高了疾病预测任务的准确性。

Feb, 2023