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

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

提出了 DxFormer 自动诊断框架，将诊断分为症状查询和疾病诊断两个步骤，并使用逆变换器来学习症状表示，通过在现实世界数据集上进行实验得出了 DxFormer 可以有效地学习医生临床经验并在症状检测和诊断准确性方面实现了最新结果。

May, 2022

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

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

提出了一种新颖的 3D 变形器架构，利用可变形的补丁定位模块，改善了阿尔茨海默病和额颞型痴呆的差异诊断。通过结合传统的机器学习模型和脑结构体积，以更好地利用现有数据，提出了将基于变压器的模型与传统机器学习模型相结合的方法。我们的实验表明了所提方法的有效性，与最先进的方法相比，结果具有竞争力。此外，我们可以可视化变形的补丁位置，揭示用于确立每种疾病诊断的最相关脑区域。

Sep, 2023

本文提出了一种通过学习自动解析 3D CT 扫描并将其应用于 X 光图像中的新模型框架 DI2I 和 TD-GAN，该框架在未见过的真实 X 光图像上实现了同时样式转换和解析的效果，且不需要 Topogram 标签即可实现 85% 的平均 Dice 精度，与有监督训练的 88% 相当。

Jun, 2018

本文提出了一种利用深度生成模型和神经网络来学习强大、可迁移特征并进行医学诊断决策的端到端架构，实验证明该架构可以显著地提高医学诊断的准确度和缺损值的插值等领域的性能。

Nov, 2017

患者的数字孪生是描述其健康状况随时间演变的计算模型。我们描述了一种可以学习临床轨迹条件生成模型的神经网络架构，称为数字孪生生成器（DTGs），通过改变训练集并调整超参数，该架构可以为 13 种不同症状的患者生成准确的数字孪生。通过引入通用的架构，我们旨在解锁机器学习方法在更大的数据集和更多症状上的可扩展性，以便可以为世界上的任何患者创建数字孪生。

May, 2024

人工智能的进展推动了医疗保健领域的革命性变化，其中包括生成式人工智能模型，特别是转换器和扩散模型的应用。本综述旨在全面介绍生成式人工智能在医疗保健中的应用，重点关注转换器和扩散模型，并提出未来研究的潜在方向，以应对医疗保健部门的现有限制和不断变化的需求。作为对对生成式人工智能在医疗保健领域应用感兴趣的研究人员和实践者的全面指南，本综述提供了有关当前技术水平、面临的挑战以及未来发展方向的宝贵见解。

Oct, 2023