跳到主要内容
检索

Michigan Medicine

3 篇关联报道

订阅更新
  1. arXiv

    神经影像有了会对话的专用模型:Neuro-VL在17组任务中16组胜过GPT-5.4,还能顶住误导性提问

    Neuro-VL 是一个在近百万例常规临床神经影像检查上训练的视觉语言模型,能对完整检查做定位、描述、诊断和报告生成,并与使用者用自然语言讨论所见。研究在内部与24个国际公开数据集构成的NeuroBench上比较了它和GPT-5.4、Gemma 4及神经影像专用模型NeuroVFM:在17个任务-数据组组合中,Neuro-VL有16组优于GPT-5.4和Gemma 4,17组全部优于NeuroVFM,等权平均分别高出15.9、16.9和23.0个百分点。模型还被进一步微调出可比较前后两次检查的纵向版本,并在嵌入错误诊断或部位的提示下比GPT-5.4更少改口。

  2. 41位国际专家系统检索922篇文献后,把急性加重定义从IPF扩展到全部纤维化间质性肺病,并提出“急性呼吸恶化”新框架

    一个由41位国际多学科专家组成的工作组系统检索了截至2025年3月17日的922篇文献,将2016年仅针对特发性肺纤维化(IPF)的急性加重(AE)定义修订为适用于全部纤维化间质性肺病(fILD)的AE-fILD定义(以弥漫性肺泡损伤为核心,伴或不伴机化性肺炎),并提出“急性呼吸恶化(ARW)”这一更广的概念框架以涵盖非DAD所致的急性呼吸恶化,同时汇总了流行病学、危险因素、预后与治疗证据,并讨论了AE作为临床试验终点的可行性。

  3. 优化大语言模型用于医院出院预测:一项回顾性队列研究与推理期优化策略评估

    这项在单一三级学术医疗中心开展的回顾性队列研究,利用2024年入院、住院时长2至14天的成人住院患者随机划分出的验证集(n=860)与测试集(n=886),让大语言模型基于06:00索引时点前30小时的临床文书预测当日出院,发现基线GPT-5提示在验证集上F1为0.48、敏感度为0.37,定性错误分析显示错误最多来自运营流程而非医学知识,而在三种推理期优化策略中,自动提示优化在留出测试集上取得更高的F1与敏感度(但阳性预测值与特异度更低),测试时扩展与专家主导的提示工程改进甚微。

已读完全部报道