- STLLaVA-Med：医学领域的自我训练大型语言与视觉助理
通过引入自我训练的大型语言和视觉助手 (STLLaVA-Med)，使用 LVLM 和直接优化原则 (DPO) 自动产生医学视觉指导数据，以提高数据效率，并且证实了在使用只有 9% 的医学数据的情况下，STLLaVA-Med 在三个主要的医学 - MedCalc-Bench: 评估医学计算中的大型语言模型
评估医学中的大型语言模型 (LLMs) 时，与计算和基于逻辑的推理相反，当前的基准测试主要集中在涉及领域知识和描述性推理的问答上。然而，在现实世界的情况下，医生经常使用遵循定量方程和基于规则推理范例的临床计算器作为基于证据的决策支持。为此， - 大型多模态模型在医学视觉问答中的令人尴尬的简单探测评估：比随机还差？
通过探测性评估和程序诊断，严格评估了 LMM 在医学影像学中的性能，揭示了目前顶尖模型在医学诊断问题上的表现不如随机猜测，并强调了对 LMM 在医学诊断等关键领域的可靠性进行更为健壮的评估的紧迫需求。
- 基于稀疏性和混合性灵感的视觉参数高效微调在医学诊断中的应用
基于 LVM 的 Sparsity 和 Hybridity 特性，利用 SH-PEFT 方法在医学诊断中通过训练少量的权重，超越了全模型微调，并达到了同其他针对特定医学任务优化的模型可比较的性能，表明大型模型传输在医学诊断中具有巨大潜力。
- 机器学习驱动的医学诊断生物标志物选择
评估了 4 种生物标志物选择方法和 4 种不同的机器学习分类器，发现当允许 3 个和 10 个生物标志物时，现代方法在性能上优于以前报告的逻辑回归。在特异性固定为 0.9 的情况下，机器学习方法的灵敏度为 0.240（3 个生物标志物）和 - 利用后启发式方法增强脑肿瘤数据集中深度学习模型的解释性
本研究致力于提高深度学习模型在医学诊断中的可解释性，通过基于特定场景规则的后处理机制来优化 LIME Library 和 LIME 图像解释器生成的解释。该研究使用与脑瘤检测相关的公开数据集进行了多次实验，所提出的后启发式方法在医学诊断中取 - 通过可解释的人类模式增强脊椎骨折分级的解释能力
通过 ProtoVerse 方法，我们成功应用于 VerSe'19 数据集，解决了骨折分级和深度学习模型解释性不足的问题，实现了对医学诊断的可解释性和临床适用性的提升。
- 高光谱临床应用的空间光谱分类器的并行实现评估
本文通过比较五种不同高性能计算平台在处理空间 - 光谱方法分类高光谱图像时所提供的性能，评估其主要优势和缺点，研究了两种不同性能需求的医学应用：神经外科手术中的高光谱图像和皮肤病学介入中的高光谱图像，其中包括处理时间和能源效率两个主要考虑因 - 评估基于 LLM 生成的医学图像和症状分析的多模态诊断
该研究提出了一种包括多步骤评估法的大型语言模型（LLM）评估范例，通过结构化的交互方式进行多模态 LLM 评估，并通过获取交互数据进行后续领域特定的分析，以提高其准确性和实用性。研究以 GPT-4-Vision-Preview 为 LLM， - 使用深度卷积神经网络集合进行胸部 X 射线图像上的肺炎检测
通过集成学习技术，本研究提出了一种基于预训练卷积神经网络的计算机辅助肺炎诊断方法，通过联合提取来自三种模型的特征，提高了肺炎检测的准确性。该方法在测试阶段取得了 93.91% 的准确率和 93.88% 的 F1 值。
- 基于投影技术和余弦相似度测量的直觉模糊决策新方法
基于投影技术和余弦相似度测量的直觉模糊集相似度测量方法首次被提出，开发了一种基于该方法的多属性决策和医学诊断方法，与现有方法相比具有更高的准确性，在医学诊断领域具有快速诊断疾病的能力，可应用于直觉模糊集和区间价值直觉模糊集。
- 动态多模态信息瓶颈的多模态分类
利用多模态数据，在医学诊断和预测任务中有效利用各种图像、实验室测试和临床信息的人工智能技术正在发展。本研究通过研究现有方法对数据冗余和噪声的鲁棒性，提出了一种广义的动态多模态信息瓶颈框架，用于获得稳健的融合特征表示。通过大量实验证明，我们的 - 多层特征融合网络结合注意力机制用于息肉分割
为了提高医学诊断的效率和准确度，减少患者结直肠癌的风险，我们提出了一种名为 MLFF-Net 的新型息肉分割方法，该方法利用多级特征融合和注意机制。实验证明该方法不仅可以分割多种类型的息肉，还在准确性和概括能力方面优于现有最先进的方法。
- 自我注重的变形器可解释的医学图像诊断：医疗保健可解释 AI 综述
近期人工智能的进展使其在初级医疗服务中得到广泛应用，解决了医疗保健领域的需求供应失衡问题。Vision Transformers（ViT）已成为最先进的计算机视觉模型，受益于自注意力机制。然而，与传统的机器学习方法相比，深度学习模型更复杂， - LLM-Mini-CEX: 大型语言模型的自动评估用于诊断对话
为了提高诊断效率，增强医疗诊断的技术潜力，我们建立了一种评估标准 (LLM-specific Mini-CEX)，通过自动对话评估与 ChatGPT 的交互并替代人工评估，可以有效评估医疗诊断对话和比较不同 LLMs 之间的质量。
- 构建 RadiologyNET：大规模多模态医学数据库的无监督注释
通过多模态数据源自动标注医学放射照片，利用机器学习技术进行医学诊断和治疗的自动化流程。
- 利用大型语言模型（如 ChatGPT 或 GPT-4）作为临床助手的潜力和风险
在使用真实的大型电子病历数据库进行两项分析后，发现 ChatGPT 和 GPT-4 可以通过思路链和几次提示，准确地完成疾病分类任务，并为卫生保健工作者提供诊断辅助，但是这些模型目前存在错误陈述、忽视重要医学发现、推荐不必要的调查和过度治疗 - 运用表达性布尔公式的可解释人工智能
本研究提出并实现了一种基于表达式布尔公式的可解释人工智能分类模型，适用于信用评分和医学诊断等领域，该分类器使用原生本地优化技术进行训练。
- 使用机器学习算法预测心脏病，减少调查时间
这项研究利用支持向量机等机器学习技术分析疾病调查数据，通过实验结果发现该数据可在高达 80% 的准确率下预测心脏病，同时对数据进行特征选择可缩短调查时间 77%。
- 使用生成模型生成胸部 X 射线数据的可行性评估
使用生成模型（特别是 PG-GANs 和 Stable Diffusion fine-tuning）生成合成胸部 X 射线图像进行医学诊断的可能性的探索。使用 Chest X-ray 14 数据集进行实验，并通过定性和定量分析评估我们的模型