O artigo revela a importância crítica de benchmarks rigorosos e padronizados para agentes de IA em diagnósticos médicos até 2026, questionando a prontidão da IA para adoção clínica generalizada. Ele enfatiza que, sem validação de desempenho adequada, o potencial revolucionário da IA na saúde permanece em grande parte teórico e não confiável.
GAZE é um framework que permite a VLMs médicos analisar imagens de RMN cerebral de forma iterativa, utilizando ferramentas de visualização e recuperação de literatura. O sistema alcançou 58,2 mAP na localização de lesões e 34,9% de precisão diagnóstica no benchmark NOVA para condições neurológicas raras.
O framework CLEAR é introduzido para avaliar como a ambiguidade e a incerteza afetam a confiabilidade dos Modelos de Linguagem Grandes (LLMs) médicos, indo além de benchmarks simplificados. Ele perturba sistematicamente as opções de resposta e seu enquadramento semântico, revelando que o aumento de respostas plausíveis degrada o desempenho dos LLMs e a cautela diminui com a formulação incerta da abstenção.
Este artigo apresenta um assistente proativo de EMR para o diálogo médico-paciente, que supera sistemas passivos ao integrar ASR streaming, estabilização de crenças e planejamento de ações. O sistema foi avaliado em um ambiente controlado preliminar, alcançando um F1 de 0.84 e Recall@5 de 0.87.
Este trabalho apresenta uma função de perda com reponderação de tokens para aumentar a eficiência de dados no treinamento de modelos de visão-linguagem para geração de relatórios médicos. Ao priorizar tokens semanticamente salientes, o método alcança qualidade de relatório comparável usando até dez vezes menos dados de treinamento.
Esta pesquisa propõe uma estrutura multimodal consciente da discordância para osteoartrite do joelho, combinando modelos de previsão de aprendizado de máquina com um sistema de raciocínio multiagente. O sistema utiliza diversas modalidades de dados, como características tabulares, ressonância magnética e embeddings de raios-X, para prever a progressão da perda do espaço articular e da dor.
Este artigo propõe uma estrutura de simulação temporal guiada por LLM para alerta precoce e interpretabilidade da sepse. O modelo simula trajetórias fisiológicas antes do início da doença, integrando extração de recursos, pistas de raciocínio clínico e pós-processamento para previsões clinicamente plausíveis.
Traj-Evolve é um sistema multiagente autoevoluído para modelar trajetórias de pacientes a partir de registros de saúde eletrônicos, visando a detecção precoce de câncer de pulmão. Ele utiliza um Pool de Experiência para recuperar casos semelhantes e aprendizagem por reforço multiagente para otimizar a colaboração entre agentes.
Este conteúdo aborda a pesquisa sobre o futuro da assistência médica com IA, focando no desenvolvimento de um 'co-clínico' de IA. O objetivo é criar um modelo de saúde aumentado por inteligência artificial.
PRIME é um novo framework de pré-treinamento multimodal auto-supervisionado projetado para prognóstico de câncer, que aborda o desafio de modalidades de dados ausentes em coortes clínicas. Ele integra imagens de histopatologia, expressão gênica e relatórios patológicos, aprendendo representações robustas por meio de imputação semântica no espaço latente e objetivos de alinhamento intermodal.
Esta pesquisa desenvolveu uma estrutura de aprendizado de máquina multimodal que combina características de ECG e dados de prontuários eletrônicos para diagnosticar a fração de ejeção ventricular esquerda em várias classes. O modelo alcançou altas AUROCs e usou SHAP para explicabilidade, superando os modelos de linha de base.
ClinicBot é um sistema de IA projetado para fornecer suporte clínico confiável, traduzindo recomendações de diretrizes oficiais. Ele aborda o problema das alucinações de LLMs em contextos médicos de alto risco através da extração estruturada de diretrizes e priorização de evidências.
PRISM-CTG é um modelo de fundação auto-supervisionado para análise de cardiotocografia (CTG), que aborda as limitações de dados rotulados e coortes de pacientes restritas. Ele utiliza um framework de auto-supervisão multi-view para aprender representações transferíveis a partir de grandes volumes de gravações não rotuladas.
O MedGemma 1.5 4B é um novo modelo que expande as capacidades do MedGemma 1, integrando análise de imagens médicas de alta dimensão (CT/MRI, histopatologia), localização anatômica e compreensão de documentos médicos. Ele demonstra ganhos significativos em precisão de classificação de condições em MRI e CT, e um aumento de 47% no macro F1 para imagens de patologia de lâmina inteira.