谷歌也是厉害，不久前1天之内连发2篇Nature，都是关于医疗LLM的，模型都叫AMIE，分别对诊断对话和诊断推理做了优化，并做了随机双盲实验，验证了AMIE出色的辅助诊断能力。

当然，作为AI领域最被看好，且一直不缺讨论度的方向，我们国内也不缺医疗LLM优秀成果：杭州“智诊科技”的WiseDiag，实现三甲专家人人可用，是全球领先的医疗AI大模型！

这些成果证明了医疗LLM市场的火爆，在科技界大佬们的推动下，研究前景只会愈发广阔。这里也推荐一些高潜力、好发论文的思路：轻量化、领域增强、多模态医疗LLMs、伦理与安全。需要参考的可直接领取我整理的12篇医疗LLM前沿论文，基本都有代码，方便复现找灵感。

全部论文+开源代码需要的同学看文末

Towards conversational diagnostic artificial intelligence

方法：论文提出了一种名为AMIE的医疗LLM，用于诊断对话。研究者通过模拟环境和自动化反馈优化其学习，并设计评估框架来测试其在病史采集、诊断准确性等多方面的表现。结果显示AMIE在多个维度上优于初级保健医生。

创新点：

• 引入了AMIE这一基于LLM的AI系统，专门优化用于诊断对话。

• 开发了自博弈模拟环境和自动化反馈机制，以扩展AMIE在多种医疗场景中的学习和应用。

• 通过与初级保健医生的对比研究，证明了AMIE在诊断准确性和对话质量上具有显著优势。

Towards accurate differential diagnosis with large language models

方法：论文介绍了一种名为AMIE的医疗领域LLM，用于辅助生成鉴别诊断（DDx）列表。研究通过两阶段实验，让临床医生在无辅助工具和有AMIE辅助的情况下对复杂病例进行诊断。结果显示，AMIE在独立生成DDx时表现优于未辅助的医生，且在辅助医生时能显著提高诊断准确性和DDx列表的全面性。

创新点：

• 开发了AMIE，一个针对临床诊断推理优化的LLM，用于生成鉴别诊断（DDx）列表。

• 通过随机对照实验，AMIE显著提升了临床医生在复杂病例中的诊断准确性和DDx列表的全面性。

• 研究表明AMIE有潜力在真实世界中赋能医生，扩大患者获取专家级医疗服务的机会。

MMedPO:Aligning Medical Vision-Language Models with Clinical-Aware Multimodal Preference Optimization

方法：论文提出了一种名为MMedPO的方法，通过注入幻觉和局部病变噪声化生成偏好数据，并利用多个医学语言模型（Med-LLM）和视觉工具评分来量化样本的临床相关性，将其作为权重融入偏好优化过程，从而提高医学视觉-语言模型（Med-LVLMs）的事实准确性和临床相关性。

创新点：

• 提出MMedPO方法，通过临床相关性优化医学视觉-语言模型的模态对齐。

• 生成偏好数据时，引入幻觉响应和局部病变噪声化，提升数据质量。

• 利用多医学语言模型协作评分，量化样本临床相关性并融入优化过程，提高模型表现。

DALL-M: Context-Aware Clinical Data Augmentation with Large Language Models

方法：论文介绍了一种名为DALL-M的新型临床数据增强框架，该框架利用大型语言模型（LLM）生成患者上下文相关的合成数据，以增强临床数据集的完整性和适用性。DALL-M通过三个阶段实现：临床上下文存储、专家查询生成和上下文感知特征增强。

创新点：

• 提出DALL-M框架，利用LLM生成临床特征的合成数据，增强数据集的上下文相关性。

• 通过结合专家知识，DALL-M能够创建全新的临床相关特征，而不仅仅是填充现有数据。

• 实验证明，增强后的数据集显著提升了多种机器学习模型的性能，如XGBoost等。

关注下方《学姐带你玩AI》🚀🚀🚀

回复“222”获取全部方案+开源代码

码字不易，欢迎大家点赞评论收藏