医学
交大O1医疗探索：延长AI思考时间，解锁复杂推理诊断
编辑 | ScienceAI当医生面对复杂病例时，往往需要反复思考、权衡多种可能性，才能得出准确诊断。 以鉴别诊断为例，它要求医生生成可能的诊断列表，并通过评估临床发现，逐步排除不符合条件的选项。 如今，AI 也学会了这种「深思熟虑」的诊断方式。
谷歌、MIT等开发多智能体医疗决策框架MDAgents，医学LLM新用法
编辑 | 白菜叶基础模型正在成为医学领域的宝贵工具。 然而，尽管它们前景广阔，但在复杂的医学任务中如何最好地利用大型语言模型 (LLM) 仍是一个悬而未决的问题。 麻省理工学院、谷歌研究院和首尔国立大学医院的研究人员提出了一种新颖的多智能体框架，称为医疗决策智能体 (MDAgents)，它通过自动为 LLM 团队分配协作结构来帮助解决这一差距。
人工智能时代下机遇与挑战并存的选择：医学专业
人工智能（AI）已经无处不在，并且在医学领域的应用也越来越广泛。 在某些情况下，AI可以增强甚至取代医生的一部分工作。 医学生在选择专业时，应当考虑到AI将如何改变医生的岗位形态（以及获得的薪酬待遇）。
我国研发具备共情能力导诊大模型：有望用于术前谈话，减少医患冲突
据《北京日报》14 日报道，中国医学科学院基础医学研究所团队研发的导诊大模型 ——“特定场景提示增强对话机器人”，近日通过临床试验。该模型兼具专业性和共情能力，不仅能够应用于导诊工作，未来也有望用于患者健康教育、术前谈话等更多复杂场景。图源 Pixabay据悉，该大模型的构建以不同医学场景全方位采集的真实导诊对话为基础，以提取对话信息形成的知识库作为训练数据，能够解决不同医学场景中出现的各种特定问题。研究团队为采集原始医患对话记录，成立了“真实医学对话语料联盟”，建立了语音采集 自动文字转化 人工校对的标准化流
ECCV2024 | 哈佛团队开发FairDomain，实现跨域医学图像分割和分类中的公平性
编辑 | ScienceAI作者 | Yu Tian 团队在人工智能（AI），特别是医疗AI领域中，解决公平性问题对于确保公平的医疗结果至关重要。最近，增强公平性的努力引入了新的方法和数据集。然而，在域转移的背景下，公平性问题几乎没有得到探索，尽管诊所常常依赖不同的成像技术（例如，不同的视网膜成像方式）进行患者诊断。本文提出了FairDomain，这是首次系统性研究算法在域转移下的公平性，我们测试了最先进的域适应（DA）和域泛化（DG）算法，用于医学图像分割和分类任务，旨在了解bias如何在不同域之间转移。我们还提
AI成像新标准，仅1%原始数据可达最佳性能，通用医学基础模型登Nature子刊
编辑 | 白菜叶经过大规模预训练的基础模型已在非医学领域取得了巨大成功。然而，训练这些模型通常需要大量全面的数据集，这与生物医学成像中常见的较小且更专业的数据集形成鲜明对比。德国弗劳恩霍夫数字医学研究所（Fraunhofer Institute for Digital Medicine MEVIS）的研究人员提出了一种多任务学习策略，将训练任务数量与内存需求分离开来。他们在多任务数据库（包括断层扫描、显微镜和 X 射线图像）上训练了一个通用生物医学预训练模型 (UMedPT)，并采用了各种标记策略，例如分类、分割和
涵盖文本、定位和分割任务，智源、港中文联合提出首个多功能3D医学多模态大模型
作者 | 香港中文大学白帆编辑 | ScienceAI近日，香港中文大学和智源联合提出的 M3D 系列工作，包括 M3D-Data, M3D-LaMed 和 M3D-Bench，从数据集、模型和测评全方面推动 3D 医学图像分析的发展。（1）M3D-Data 是目前最大的 3D 医学图像数据集，包括 M3D-Cap (120K 3D 图文对), M3D-VQA (510K 问答对)，M3D-Seg（150K 3D Mask），M3D-RefSeg (3K 推理分割)共四个子数据集。（2）M3D-LaMed 是目前最
- 1