- AI 年龄差异:肾脏肿瘤患者脆弱性评估的新参数
介绍了一种新的指标 AI Age Discrepancy,通过对术前腹部 CT 扫描的机器学习分析得出,作为评估肾癌患者脆弱性和术后风险的潜在指标。这项回顾性研究发现,较高的 AI Age Discrepancy 与较长的住院时间和较低的总 - 多方面医学图像解读的通用学习器
提出了一种名为 MedVersa 的医学图像解释通用学习器,通过利用大型语言模型作为可学习的协调器,支持视觉和语言监督学习以及多模态输入,在医学图像解释领域得到了最先进的性能,在临床决策辅助方面具有潜力。
- 利用简单和先进的机器学习增强医院中的不确定需求预测
通过使用机器学习,本研究探索了预测变时患者护理需求的效用,并表明可以利用机器学习提前三天或一周以 4 名患者的准确度预测患者护理需求。
- 神经形态学:一种新型的脑 MRI 不对称性特征构建方法,用于癫痫复发预测
使用机器学习和临床 3T 脑 MRI,我们开发了一种预测癫痫复发的工具 NeuroMorphix,并使用所得的特征预测了癫痫复发,取得了出色的表现,突出了数据驱动方法在脑疾病临床决策中的潜力。
- 癌症临床决策中的自主人工智能代理
多模态人工智能系统能够通过解释各种类型的医疗数据来增强临床决策,本研究引入了一种利用大型语言模型作为中央推理引擎的多模态医疗人工智能的替代方法,通过验证该系统在临床肿瘤学场景中的表现,证实了语言模型能够作为专科、以患者为中心的临床助手的有效 - 家族性脑凝血瘤病变进展评估的创新定量分析
建议了一个基于定量统计的模块化框架,用于定量评估遗传性脑海绵状血管瘤病变的严重程度和病变的进展,并且在临床决策过程中提供客观、准确、全面的定量统计信息,以加速脑海绵状血管瘤的临床研究进展和临床决策的制定。
- 低成本心脏血液动力学不稳定性检测的多模态变分自编码器
利用低成本的胸部 X 光和心电图模态,结合大规模未标记数据的预训练方法,我们提出了一种新颖的多模态变分自编码器(CardioVAE_X,G),以实现对心脏血流动力学不稳定性(CHDI)的无创预测,在预测 CHDI 方面显示出有希望的性能,对 - EndoOOD:胶囊内镜诊断中的不确定性感知型超出分布检测
无线胶囊内窥镜(WCE)是一种无创诊断方法,能够可视化胃肠道。基于深度学习的方法已经在使用 WCE 数据进行疾病筛查方面显示出有效性,减轻了医疗专业人员的负担。然而,现有的胶囊内窥镜分类方法大多依赖于预定义的类别,难以识别和分类未定义的数据 - 通过多智能体对话增强诊断准确性:利用大型语言模型减轻认知偏差
通过大型语言模型 (LLMs) 在多智能体框架中的运用,模拟临床决策过程并评估其改善诊断准确性的有效性,以应对临床决策中的认知偏差。
- 使用结构化纵向电子健康记录数据激励大规模语言模型进行零样本临床预测
针对结构化长期电子健康记录 (EHR) 数据与大型语言模型 (LLMs) 集成时的固有复杂性,本研究调查了像 GPT-4 这样的 LLMs 对 EHR 数据的适应性。特别关注其零样本能力,使其能够在并未明确训练的情况下进行预测。通过考虑特定 - 大型语言模型的临床文档动态问答
利用大型语言模型 (LLMs) 对临床记录进行动态问答的自然语言接口引入了一种新的方法。我们的聊天机器人通过 Langchain 和基于变压器的 LLMs 实现,允许用户用自然语言查询并从临床记录中获得相关答案。经过利用各种嵌入模型和先进的 - 超出既定框架:均等化保护属性的正交方法
通过使用基于机器学习的正交方法,对隐私保护属性进行维度约减和正交化处理,从而实现对疾病诊断中隐私保护属性的影响的分析、减少不希望的属性关联,并提高模型预测性能。
- GPT-4V 不适用于临床护理和教育:临床医生评估分析
通过评估医学认证的医生和高级实习生对 GPT-4V 在多种医学状况下使用 CT 扫描、MRI、心电图和临床照片等成像方式的熟练程度,发现尽管 GPT-4V 能够识别和解释医学图像,但其诊断准确性和临床决策能力较差,对患者安全构成风险,因此在 - 基于神经网络的疼痛强度估计的不确定性量化
本研究提出了基于神经网络的方法来进行客观疼痛区间估计,并将不确定性量化纳入考虑。通过三种算法:bootstrap 方法、遗传算法优化的上下界估计(LossL)和梯度下降算法优化的改进上下界估计(LossS),实证结果表明 LossS 方法在 - EHRXQA:一种基于电子健康记录和胸部 X 射线图像的多模态问答数据集
通过整合医学影像和表格模式,本研究提出了一个新颖的多模式电子健康问答数据集(EHRXQA),以增强当前电子健康问答系统中的联合推理潜力,并改进真实医学场景中的临床决策和研究。
- 使用 AI 聊天机器人回复患者消息的影响
通过人工智能聊天机器人辅助文档整理,可以减轻医生的文档负担,提高工作效率并改善患者护理情况。
- 通过学习分割事件时间空间来改进事件时间预测
最近发展的生存分析方法通过在每个预先确定的(离散)时间间隔内预测事件发生的概率来改进现有方法。本研究提出了一种从数据中学习划分事件时间间隔的方法,并在两个模拟数据集和三个真实世界观察数据集上展示了改进的预测性能。我们认为这种方法通过指导最适 - 利用大型语言模型模拟人类认知过程进行专业级医学问题回答
通过模拟人类认知过程,BooksMed 使用大型语言模型(LLM)构建的框架,利用 GRADE 框架来提供基于证据的可靠答复,同时引入 ExpertMedQA 来评估 LLM 的性能,从而成为在临床决策中提供可靠和基于证据的答案的有用工具。
- 可解释机器学习在 ICU 复诊预测中的应用
通过标准化和可解释的机器学习流程,该研究在多中心数据库上建模和预测了患者再次入院,使用随机森林分类模型获得了高达 0.7 的预测性能,并提供了对生命体征、血液检查、人口统计学信息和 ICU 相关变量等方面的有见地的结果,对临床医生的决策提供 - RR-CP:基于可靠区域的医学图像分类的可信级别预测
我们提出了一种新的方法,可实现用户指定的错误率下的预测,并在此约束下优化预测集的大小,从而通过有效的医学人工智能模型和人工专家之间的合作,允许在临床决策中进行高效干预和质量检查。