PathoSage ist ein dreistufiges Framework zur Evidenzbeurteilung in der Pathologie, das Wissensabruf, Evidenzsammlung und Evidenzbeurteilung explizit trennt. Es verwendet ein agentenbasiertes System mit Strukturierter Evidenzdeliberation, um heterogene Evidenzen unabhängig zu bewerten und Verankerungsfehler zu reduzieren.
ChatCAD ist ein interaktives computergestütztes Diagnosesystem, das große Sprachmodelle zur Analyse medizinischer Bilder nutzt. Es zielt darauf ab, die Genauigkeit und Effizienz medizinischer Diagnosen durch künstliche Intelligenz zu verbessern.
Dieses Papier stellt MedicalBench vor, einen neuen Benchmark zur Bewertung großer Sprachmodelle bei der Extraktion medizinischer Konzepte aus elektronischen Gesundheitsakten. Es konzentriert sich auf implizites medizinisches Denken und Evidenzfundierung, um die Herausforderung der Identifizierung nicht explizit genannter Konzepte zu bewältigen.
Der Artikel stellt HealthCraft vor, eine öffentliche Reinforcement-Learning-Umgebung zur Bewertung der Sicherheit von Frontier-Sprachmodellen in der Notfallmedizin. Es konzentriert sich auf die Sicherheit auf Trajektorien-Ebene, den Missbrauch von Werkzeugen und den klinischen Druck, basiert auf einem FHIR R4 Weltzustand und bietet 195 Aufgaben für eine umfassende Bewertung.
Dieses Papier stellt das Convolutional Variational Deep Embedding (Conv-VaDE) Modell für die EEG-Mikrostatusanalyse vor. Es verbessert die Interpretierbarkeit, indem es gemeinsam topografische Rekonstruktion und probabilistisches Soft-Clustering lernt, was eine generative Dekodierung von Cluster-Prototypen in verifizierbare Kopfhauttopografien ermöglicht.
Diese Forschung stellt Med-Stress vor, einen Rahmen zur Bewertung der epistemischen Resilienz von LLMs im klinischen Dialog, der zeigt, dass hohe diagnostische Genauigkeit keine Glaubensstabilität unter zunehmendem Druck impliziert. Sie schlägt RBED und R-FT als neue Verteidigungsmechanismen vor, um diesen Fehler in der medizinischen KI zu mindern.
Der KI-Markt verspricht große Transformationen, wobei das Gesundheitswesen aufgrund finanzieller Belastungen, Arbeitskräftemangel und der wachsenden Last der Versorgung einer alternden Bevölkerung ein Hauptziel ist. KI-Entwickler zielen auf vielfältige Funktionen ab, von der Heilung von Krebs bis zur Rationalisierung von Prozessen.
94% der Führungskräfte im Gesundheitswesen halten KI für entscheidend für die zukünftige Medizin. Künstliche Intelligenz unterstützt Ärzte, indem sie radiologische Bilder scannt und Hautkrebs oder Krebszellen schnell und präzise identifiziert. Sie dient als leistungsstarke zweite Meinung, die ihre Geschwindigkeit mit menschlichem Urteilsvermögen und dem Patientenkontext verbindet.
Diese Forschung untersucht die Vertrauenswürdigkeit und Fairness nichtparametrischer tiefer Überlebensmodelle zur Analyse des Fortschreitens der Alzheimer-Krankheit (AD). Sie befasst sich mit dem Mangel an Studien, die gelernte Verzerrungen in bestehenden Deep-Learning-Modellen für AD berücksichtigen, und schlägt neue Fairness-Metriken vor, um zuverlässige Vorhersagen zu gewährleisten.
Diese Arbeit stellt ClinicalBench vor, einen 400-Fragen-Benchmark zur Bewertung der aussagebewussten Informationsbeschaffung für klinische QA auf MIMIC-IV unter Verwendung echter EHR-Notizen. Sie beschreibt auch EpiKG, ein Patientengraph-System, das die Retrievalleistung durch Berücksichtigung von Negation und Zeitlichkeit verbessert und signifikante Leistungssteigerungen bei klinischen LLMs zeigt.
DBGL stellt eine neuartige, zerfallsbewusste Methode zum bipartiten Graphenlernen vor, um die Herausforderungen bei der Klassifizierung unregelmäßiger medizinischer Zeitreihen zu adressieren. Sie nutzt einen patientenvariablen bipartiten Graphen zur Modellierung unregelmäßiger Abtastmuster und Variablenbeziehungen und integriert zusätzlich eine knotenspezifische temporale Zerfallsenkodierung für die Unregelmäßigkeit des Variablenzerfalls.
Der Artikel gibt Einblicke in 18 Monate Entwicklung von Helios Med, einer medizinischen KI mit 383 spezialisierten Agenten zur Unterstützung der diagnostischen Entscheidungsfindung. Sie soll Ärzten und Patienten eine fundierte Zweitmeinung liefern und damit die Grenzen aktueller Gesundheitspraktiken und Diagnosefehler beheben.
Dieses Papier stellt OGCaReBench vor, einen neuen retrieval-orientierten Benchmark zur Bewertung der Fähigkeit von LLMs, klinische Fragen zu beantworten, die über typische medizinische Leitlinien hinausgehen. Es adressiert die Lücke, dass die meisten medizinischen LLMs auf allgemeinem, leitlinienfokussiertem Wissen trainiert sind, während die reale Versorgung oft seltene Fälle betrifft, die nicht von Leitlinien abgedeckt werden.
Traj-Evolve ist ein sich selbst entwickelndes Multi-Agenten-System zur Modellierung von Patientenverläufen aus elektronischen Gesundheitsakten für die Früherkennung von Lungenkrebs. Es nutzt einen Erfahrungs-Pool zur Wiederherstellung ähnlicher Fälle und Multi-Agenten-Reinforcement-Learning zur Optimierung der Zusammenarbeit der Agenten.
GazeX ist ein neues Vision-Sprachmodell, das anhand von Augenbewegungsdaten und Schlussfolgerungen von Radiologen trainiert wurde, um die Interpretation von Brust-Röntgenbildern zu verbessern. Das Modell lernt, die räumliche und zeitliche Aufmerksamkeit von Experten nachzuahmen, um die Lücke zwischen Modellausgaben und klinischem diagnostischem Denken zu schließen.
O estudo apresenta o EMSDialog, um novo conjunto de dados de 4.414 conversas sintéticas multi-falantes para serviços médicos de emergência, geradas a partir de relatórios reais de pacientes usando uma pipeline de agentes multi-LLM. Este dataset, anotado com diagnósticos e tópicos, demonstra melhorias na precisão e estabilidade da previsão de diagnóstico conversacional.
Trotz präziser Diagnosesysteme der datenzentrierten medizinischen KI ist die klinische Akzeptanz aufgrund unzureichender Berücksichtigung fairer Leistung bei verschiedenen Patientenpopulationen und schlechter Workflow-Integration begrenzt. Diese Arbeit schlägt einen „menschenzentrierten medizinischen Bildanalyseansatz“ vor, um diese miteinander verbundenen Herausforderungen anzugehen.
Diese Forschung bewertete den Einfluss der Prompt-Sprache auf die diagnostische Argumentation und Genauigkeit großer Sprachmodelle (LLMs) im klinischen Umfeld. Vier von fünf Modellen zeigten eine bessere Leistung auf Englisch, was die Unsicherheit hinsichtlich der Zuverlässigkeit von LLMs in anderen Sprachen hervorhebt.
Dieser Artikel schlägt die Schaffung eines „Biomedical TransitionNet“ vor, eines neuen Datensatztyps, analog zu ImageNet, jedoch fokussiert auf biologische Zustandsübergänge für die nächste Generation der medizinischen KI. Er begründet die Notwendigkeit einer solchen Infrastruktur, um reale Modelle in der Biomedizin zu entwickeln und über Klassifizierung und Vorhersage hinauszugehen.
Dieser Inhalt beschreibt das Fine-Tuning eines klinischen KI-Modells, MedQA, auf der AMD ROCm-Plattform. Er hebt hervor, dass diese Aufgabe ohne CUDA durchgeführt werden kann, was eine wichtige Alternative für die KI-Entwicklung bietet.