医疗 AI

这项研究用新方法替代了过时的脓毒症评分，能更准确预测患者预后。

医学影像领域新突破：用原始表示学习重建动态对比增强MRI，无需大量训练数据。

谷歌把医疗AI做到视频问诊了，AMIE视频版在100个临床场景里和真人医生打平甚至更好，患者还更喜欢它的解释方式，想看看AI看病到底行不行可以读这篇。

胸片多标签分类老问题，C²A用共现先验加注意力，CheXpert上0.895 AUROC，比GCG强，开销还小，值得搞医学影像的看看。

这篇论文用稀疏MoE做视网膜多病分类，专家分配能对应具体病灶，宏AUC到0.912，搞医学影像的可以看看。

医疗AI训练新方法ResidencyRL，模拟临床对话，诊断准确率涨7%，漏诊率降31%，专家更看好。

这篇论文教你如何不让合成临床数据看起来像模板：两个修订方法在保住效用下限的同时把真实感拉上来，适合做医疗AI基准的人参考。

医学影像领域的小伙伴可以看看这篇，CARE-X 把胸片分类、定位、报告生成整合到一个模型里，还靠工具调用做解剖测量，临床实用性比纯生成模型强不少。

这篇arxiv论文把扩散模型和大语言模型在医学影像里的应用讲得挺清楚，还介绍了基础模型怎么建，适合想了解医疗AI技术路线的人。

这篇论文把迁移学习用在腹腔镜多器官分割上，CEMD模型微调后Dice到62.4%，还比从零训练快不少，做医学影像分割的值得看看。

这篇论文发了个叫ScaFE的方法，让LLM写图像特征程序来分类疤痕，照片不用出本地，比BiomedCLIP高10个点，数据少也够用。

ACA用轻量级方法给CT模型加了解剖级上下文，一小时训练就比现有细粒度方法强，适合医学影像落地。

Quasi-SVD把矩阵分解速度提了3-20倍，还能在GPU上并行跑，医学实时成像终于有戏了。

这论文搞了个ClinPRISM框架，专门搞定不规则时间序列的医疗问答，只用16个token和0.15秒回答一个问题，比现有大模型省资源还更准。

临床诊断AI评估有新基准了！1089个真实案例、3760张影像，15个模型测试下来发现，再好的模型完全正确诊断率也不高，而且容易犯信息整合错误和视觉幻觉。

这篇论文提出了DRIFT，一种ICU生理轨迹预测新方法，在MIMIC-IV和eICU-CRD上比TFT-action的MAP误差低0.67%，尤其在治疗序列变化时表现更准。

这篇论文展示了KAN不只是理论上可解释，还能落地到医学影像中，让解释更可靠，比标准ResNet/ViT定位准确率提升10%。

这篇论文用大量数据和对照实验拆解了医学基础模型表征收敛的真正原因，发现关键不是临床标签而是自监督目标，对训练和评估模型很有启发。

临床医生亲自设计的AI安全测试，能精准定位模型在哪类医疗错误上出问题，搞医疗AI的必看。

新论文用语义感知对比学习解决医学影像的假阴性问题，在脑肿瘤分类上AUC涨了22.6%，值得搞多模态医疗AI的人看看。

这篇论文教你用无监督聚类自动分析心脏PET/MRI，在99名患者上准确匹配医生判断，省时省力。