Jan, 2024

生成型 AI 系统能够满足患者的信息需求吗？

PDF
TL;DR通过主题分析，我们研究了具有生成性视觉问答系统的患者面向的生成式人工智能系统，以满足癌症患者在放射学成像数据中对医学术语、疾病进展、诊断步骤和治疗方案等方面信息的需求，结果表明模型的响应质量在不同主题上有所变化，强调患者面向的生成式人工智能系统需要满足患者的多样化实际需求。
cancergenerative visual question answering systemsradiology imaging datamedical terminologypatient-facing generative ai systems
发现论文，激发创造
  • 智能医疗应用中生成性人工智能的快速评审

    人工智能在医疗保健领域产生了显著影响，特别是通过生成模型在医学图像生成、数据分析和诊断方面的应用。这篇文章探讨了生成模型在智能医疗设备中的应用，以提升诊断速度和准确性，改善医疗服务质量和效率并降低设备成本，实现了医学图像生成、数据分析和诊断的突破。此外，将生成模型与物联网技术结合，可以实现实时数据分析和预测，提供更智能的医疗服务，帮助远程医疗。挑战包括计算需求、伦理关注和特定场景的限制。

    Jun, 2024

  • 医学图像分析中先进云服务和生成性人工智能系统的实际应用

    医学领域中的人工智能技术发挥着越来越重要的作用，特别是在医学成像领域，通过生成式人工智能可以增强图像质量并提高医学诊断和患者护理水平。

    Mar, 2024

  • 临床医生与放射学报告生成模型之间的共识、不一致性和协同效应

    放射学报告是现代医学的重要组成部分，自动化报告生成和 AI 生成的报告对放射学家和临床决策具有潜在的帮助，但面临着质量评估和医生参与的挑战。本研究展示了放射科医生与 AI 系统进行合作的潜力以及 AI 生成报告与专家撰写报告的比较结果。

    Nov, 2023

  • 医疗健康中生成人工智能的综合评述

    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

  • 知识至上：具有通用和特定知识的放射学报告生成

    本文提出一种基于多头注意力机制和引入一般和特定的医疗知识的放射学报告生成方法，结合放射学影像的视觉特征，可以提高放射学报告的质量，并在公开数据集上进行的实验结果表明，提出的知识增强方法优于最先进的基于图像字幕的方法。

    Dec, 2021

  • 像放射科医师一样阅读放射学影像

    提出了一种利用疾病定向检索框架以及事实一致性字幕生成器解决医学图像报告自动生成中的疾病区域强调、视觉和文本数据偏见、长文本生成等难题的方法。

    Jul, 2023

  • 智能临床文书：利用生成式人工智能进行以患者为中心的临床笔记生成

    综合临床记录，生成式人工智能（AI），自然语言处理（NLP），自动语音识别（ASR）和医疗保健环境是本研究的关键词。研究发现生成式 AI 有潜力改变临床记录实践，减轻行政负担，使医疗保健专业人士更专注于直接病人护理。

    May, 2024

  • 医疗健康中生成人工智能的应用：算法、伦理、法律和社会考虑

    该研究针对生成式人工智能应用于医学成像和文本分析时带来的伦理问题、法律问题和算法挑战进行了深入研究，并提出了负责任的解决方案和强有力的监管框架，以确保生成式人工智能在医疗领域的道德和负责任的实施。

    Jun, 2024

  • 基于多视图影像融合和医学概念增强的自动放射学报告生成

    提出了一种基于深度学习技术的生成式编码解码模型，通过对大量胸部 X 光图像进行预先训练并提取医疗概念，结合词级别的注意力机制，成功生成精准较为自然的放射学报告。

    Jul, 2019

  • 临床准确的胸部 X 光报告生成

    本文提出了一个可以考虑到临床精度的全自动胸部 X 光辐射学报告生成系统，利用计算机视觉和自然语言生成的高级方法来生成可读的报告，重点关注临床领域的细微差别，并通过强化学习来微调该系统。

    Apr, 2019