- 推进医疗保健的基础模型：挑战、机遇和未来发展方向
基于现有数据进行预训练的基础模型在促进医疗卫生事业中发挥着积极作用，它打破了有限人工智能模型与多样化医疗实践之间的矛盾，提供了更广泛的医疗场景，从而改善智能医疗服务。本文对基础模型的挑战、机遇和未来发展方向进行了全面深入的调研和探讨，以期加 - 开发医疗语言模型嵌入空间
我们探索专门为不同医疗数据集调整较小的大型语言模型（LLMs）的专业预训练方法。我们通过传统的掩码语言建模、无监督文本表示的深度对比学习（DeCLUTR）以及利用医疗设置中的元数据类别的新型预训练目标进行了评估。对每个数据集进行了对下游文档 - 机器学习在医疗领域中公平特征选择的评估
在普遍采用机器学习的医疗领域，自动化的社会偏见可能会加剧健康差距，我们探索了从特征选择的角度来解决算法公平性。传统的特征选择方法忽视了不同子群体之间这些因素的差异，而我们的公平特征选择方法考虑了所有人口群体的平等重要性。我们在三个公开可用的 - 面向人机交互的大型语言模型：机遇与风险
通过对大型语言模型在社交机器人中的潜力进行分析，本研究侧重于教育、医疗和娱乐等社交机器人的应用，并对这些语言模型如何安全地接受培训以 “理解” 社会规范和问题进行了研究，以期为其他有兴趣将语言模型融入机器人的研究人员提供有益指导。
- 大型语言模型是否理解医学编码？
我们研究了大型语言模型对医疗代码的理解能力，并发现这些模型不能理解医疗代码的含义，因此需要改进医疗代码在语言模型中的表示方式。
- 心力衰竭患者治疗路径的过程感知分析：一个案例研究
通过对稀疏心衰患者数据集进行处理挖掘和决策挖掘，本研究探讨了在医疗保健领域处理不同类型数据的各种挑战，并分析了患者心衰数据中与多个研究问题相关的信息增益和决策结果。
- 使用深度学习进行头发和头皮疾病检测
该研究介绍了一种在皮肤科中应用最先进的深度学习技术进行头发和头皮疾病检测的创新方法，为无创和高效的早期检测和诊断提供了重要进展，通过整合机器学习算法到基于 Django 框架的网络平台，为医疗服务提供者和患者带来有力支持。
- 临床小蟒：横向临床记录的生成式临床语言模型
在医学领域，为了处理长期病例的复杂信息，我们引入了经过纵向临床笔记巨量预训练的专用语言模型 ClinicalMamba，参数量为 2.8 亿，在建模扩展文本长度方面显示出比 Mamba 和临床 Llama 更优越的性能，且在纵向临床笔记信息 - 基于有限样本的思维链驱动推理用于开放式医学问题回答的 LLMs
使用大型语言模型（LLMs）自动化医疗任务，如临床记录、信息检索和决策支持。我们提出一种修改的 MedQA-USMLE 数据集，用于模拟真实的临床场景，并探索基于思维链（CoT）推理的主观响应生成，以获取正确的医疗问题答案。我们还利用回报训 - 全球化公平的理由：关于殖民主义、人工智能和非洲健康的混合方法研究
探讨机器学习对非洲健康状况具有的公平性影响，发现殖民主义、原籍国和国民收入水平等因素会导致人工智能系统具有偏见，并提出在非洲发展公平感知的机器学习解决方案的实际建议。
- 医疗报告生成和视觉问答的视觉语言模型综述
医学视觉语言模型结合了计算机视觉和自然语言处理，用于分析视觉和文本式医学数据。我们的论文回顾了最近在开发医学领域专用的视觉语言模型方面的进展，重点关注医学报告生成和视觉问答模型。我们提供了自然语言处理和计算机视觉的背景，解释了如何将两个领域 - 重症监护作为一个大的序列建模问题
在健康护理领域，强化学习通常涉及狭窄的自包含任务，如败血症预测或麻醉控制。然而，先前的研究已经证明了通用模型（最典型的例子是大型语言模型）由于其隐式迁移学习能力而能够胜过特定任务的方法。为了训练健康护理领域的基础模型并利用最先进的 Tran - 机器学习分类算法的比较及其在弗雷明翰心脏研究中的应用
利用机器学习算法在医疗保健领域可能会放大社会不公和卫生不平等问题；本研究关注于机器学习分类算法在开发和使用过程中遇到的一些普遍性障碍，通过以弗雷明汉冠心病数据为案例，说明了如何选择概率阈值将回归模型转换为分类器，并比较了八种常用机器学习分类 - 专利价值表征 —— 对电梯行业专利的实证分析
全球专利申请逐年增加，已连续八年增长。全球专利行业呈现扩张趋势，这归因于创新活动的增加，尤其是在技术、医疗保健和生物技术领域。一些新兴市场国家如中国和印度在专利领域经历了显著增长，成为全球专利活动的重要参与者。
- 基于患者的知识图谱研究：现有方法、挑战和应用综述
病患中心知识图谱（PCKGs）是医疗保健领域的重要转变，通过以整体性和多维度的方式映射患者的健康信息，聚焦于个体化患者护理。这篇文献综述探讨了 PCKGs 的方法学、挑战和机遇，以及它们在整合不同医疗保健数据和通过统一的健康视角增强患者护理 - GPT-4 在基于 USMLE 的病例研究中的评估
本研究探讨了 GPT-4 在医疗应用中的性能评估，使用简单的提示技术从美国医学执照考试问卷中提取问题作为提示，任务是在提问前和提问后评估它的置信度得分。分为有反馈和无反馈两组问题进行分类，实验结果表明反馈会影响相对置信度但并不一致地增加或减 - AI 医院：交互评估和合作使用 LLM 作为实习医生进行临床诊断
大型语言模型（LLMs）在医疗保健领域的应用具有重要意义，为了充分利用其交互潜力，本文提出了 AI Hospital 框架，用于构建实时互动诊断环境，并通过多视角医学评估（MVME）基准和协作机制来验证其可行性和有效性。
- 医疗人工智能中的泛化性能评估
利用临床数据训练的大型语言模型在医疗保健领域提供了优化患者护理、临床决策和工作流程的新机会，然而其潜力主要取决于其在不同临床环境和患者群体中有效泛化的能力，这是一个常常被低估的挑战。本研究评估了一种在 [HOSPITAL] 的临床病历上训练 - 将 ChatGPT 集成到安全医院网络：以改进放射学报告分析为案例研究
通过对比学习的独特句级知识蒸馏方法，本研究首次在医院内将类似 ChatGPT 的基于云的 AI 模型转化为安全模型，用于分析放射学报告并优先考虑患者数据隐私。我们实现了超过 95% 的异常检测准确率，并可以准确标记预测的不确定性，提高了医生 - 开放医学影像数据集的实用化：从社区贡献的数据管理和保护平台中汲取的经验
医学成像数据集对人工智能在医疗保健中至关重要，本文调查了社区贡献平台上的医学成像数据集，发现数据管理和共享问题，提出了基于共同管理的模型以改善数据质量。