- FairMedFM：医学影像基础模型的公平性评估
通过引入 FairMedFM，一个公平性基准，对医学影像中基础模型的公平性性能进行综合评估，我们揭示了不同 FMs 之间的偏见存在、不同 FMs 的效用与公平性权衡以及现有不公平缓解方法的有限效果。
- ACES: 用于事件流数据的自动群体提取系统
利用自动队列提取系统（ACES）提高医疗领域机器学习的研究可重复性，降低 ML 任务定义门槛，并改善电子健康记录数据集的研究互动方式。
- 医生的 LLM：利用医学 LLM 来协助医生，而不是取代他们
通过构建医学助手和医生之间的合作，我们建立了一个医学数据集 DoctorFLAN，用于支持医生的全部工作流程，并通过构建医生定向场景的评估来验证该数据集的有效性。
- 分析医疗多样性的 LLM 研究：科学计量学视角
大规模语言模型在医疗保健领域的部署展示了提升临床决策、行政效率和患者成果的巨大潜力。然而，这些模型在开发和应用中存在多样性群体的代表不足，会导致不公平的医疗保健服务。本文通过对 2021 年 1 月 1 日至 2024 年 6 月 16 日 - 借助大型语言模型提升患者互动：数字健康中的对话人工智能的力量
通过四个案例研究展示了大型语言模型在医疗保健中的应用，包括分析 Reddit 上的心理健康讨论、为老年人进行认知参与开发个性化聊天机器人、总结医疗对话数据集和设计 AI 助力病患参与系统。同时讨论了在医疗保健环境中引入大型语言模型的道德考虑 - 孟加拉语生物医学数据的自动语音识别
该研究提出了一个专门针对孟加拉生物医学数据开发的自动语音识别（ASR）原型系统。该系统针对孟加拉语和西利特语两种重要方言，培训和评估了两个流行的 ASR 框架，旨在为数字健康应用创建可部署的健康领域 ASR 系统，从而提高非技术用户在医疗保 - 医学基础模型综述
基于自我监督方法使用大规模数据集训练的基础模型（FMs）被广泛应用于各个领域，包括医疗保健领域，特别在自然语言处理、医学图像分析、临床大型语言模型和病理组学数据等方面。该综述论文全面概述了 FMs 在医疗保健领域的历史、学习策略、旗舰模型、 - 隐私保护异构联邦学习敏感医疗数据
我们提出了一个名为 AAFV 的新框架，它能够在协同训练异构本地模型的同时保护数据隐私，通过将新的放弃感知投票机制和差分隐私机制集成到本地模型的预测中，实现高效学习和模型保密。
- 选择医疗机器学习模型的可解释性技术
在医疗保健领域，追求使用可解释的算法来协助医疗专业人员在多种决策场景中。针对预测性、描述性和相关性（PDR）框架，将可解释机器学习定义为一个能够明确且简单地确定数据中所含或模型所学关系对其功能和模型分类至关重要的机器学习模型，并根据后续操作 - 走向医疗领域的人机协作：大型语言模型引导的推迟系统
通过利用大型语言模型（LLMs）的口述能力和内部状态，该研究提出了一种新的引导性延期系统，结合人工智能和人类决策者的优势，以减少 LLMs 在关键决策时产生的不确定性，并证明通过利用大型模型的数据对较小的 LLMs 进行微调可以提高性能并保 - 解锁创新和沉浸式数字护理在元宇宙中的潜力
Metaverse 技术在医疗领域具有革命性潜力，能够改善患者关怀、医学教育和研究，提供更好的患者参与、沟通、信息获取和健康结果。此研究还探讨了利用机器学习技术对 Metaverse 数据进行分析以进一步增强医疗应用的潜力，并强调了大型科技 - 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 - 跨学科专长推动公正可解释人工智能
人工智能对于健康和医疗领域产生了显著影响，但在面对受到结构性压迫的人群中仍存在偏见和性能问题。本文提出了可解释人工智能（XAI）的框架，通过跨学科专家组进行评估，旨在改进模型解释、减少偏见，并为未来研究指明方向。
- 走向临床 AI 公平性：填补谜题中的空白
医学领域中人工智能（AI）的道德整合需要解决公平性这个高度依赖上下文的概念。本文通过详细的证据缺口分析，系统地指出了医疗数据和 AI 公平解决方案中存在的一些缺陷。我们强调了在许多医学领域中 AI 公平研究的稀缺性。此外，我们分析还凸显了对 - 使用真实世界的医生与患者互动评估大型语言模型的共情能力
大型语言模型（LLMs）在医疗领域的整合潜在地可以通过开发具有共情能力，面向患者的聊天机器人，显著增强患者护理和支持。本研究调查了一个有趣的问题：相较于通常由医生提供的，ChatGPT 能否提供更高程度的共情回应？为了回答这个问题，我们从梅 - Medformer：一种用于医学时间序列分类的多粒度补丁变换器
介绍了一种专为医学时间序列分类定制的多粒度补丁变换器 Medformer，该方法利用交叉通道补丁、多粒度嵌入、两阶段多粒度自注意等新机制，在多个公共数据集上的实验证明了其在医疗应用中的显著影响。
- 数字病理学中是否重要上下文？
开发医疗人工智能的重要性；通过分析深度学习模型在视觉领域中是否遵循组织学家实践，并证明在预测时上下文信息对模型的性能具有重要影响，部分上下文信息可能导致模型行为不稳定。
- 医疗中的联邦学习：模型不端、安全挑战、应用及未来研究方向 -- 系统综述
通过分析医疗保健领域中已经存在的研究文献，本研究系统评估了联邦学习在提供隐私保护的同时维护医疗数据分析的完整性和可用性方面的效力，同时探讨了实际应用及其影响，突出未来的研究方向，旨在完善联邦学习的实现、增强数据安全协议，并将联邦学习拓展到更 - AI 聊天机器人从患者的病情投诉中进行疾病预测的可靠性
人工智能聊天机器人在预测疾病方面的可靠性进行了研究，结果表明虽然聊天机器人的准确性有所差异，但它们都无法足够可靠地进行重要的医疗决策，强调了对严格的验证和人类监督的必要性。
- 使用 EVINCE 框架确保医疗领域的地面真实性
EVINCE 是一个使用多个大型语言模型在结构性辩论框架下，通过信息二元性的熵变化，旨在改善诊断准确性并纠正误诊和最小化训练数据错误的系统。经验研究验证了 EVINCE 在实现设计目标方面的有效性。