跳到主要内容
检索

Beth Israel Deaconess Medical Center

8 篇关联报道

订阅更新
  1. 智能手表不再需要袖带校准:AI-PPG-ACC-HTN 在 196 人中筛出高血压,特异性 90.0%

    Google Research 与贝斯以色列女执事医疗中心、哈佛医学院合作,用消费级智能手表的光电容积脉搏波与加速度信号被动识别持续高血压状态,无需袖带校准。系统不估计某一时刻的收缩压和舒张压,而是把多天的 15 秒信号特征取均值,再结合身高送入正则化逻辑回归给出概率。在 196 名无已知心血管疾病、未服降压药的受试者中,以 24 小时动态血压监测为金标准,初筛灵敏度 65.8%、特异性 90.0%,高于同期诊室初筛的 55.3%。

  2. Gemini

    谷歌一月内连发两代前沿模型:Gemini 4 Argon 全球上线,Carbon 先交美国政府测试

    谷歌在十月把前沿推理模型 Gemini 4 Argon 推向全球开发者、企业和消费者,两周后又宣布面向长周期工程与网络安全防御的 Gemini 4 Carbon。Argon 在早期安全测试后接入 Google AI Studio、Gemini API、Google Cloud、搜索与 Gemini 应用,并另设机器人版本;Carbon 则先进入预发布测试,交由美国政府和 Fairwind 计划的受信网络防御方试用,在扩大开发者与企业发布前继续打磨安全护栏。

  3. 发表出处待核验

    跨七个精神病学研究领域综述显示:大数据带来机制洞见与跨学科协作,但样本量本身并不保证更精确的估计,临床转化仍存差距

    这篇综述横跨社区与登记调查、队列与生物样本库、电子健康记录、数字表型、脑影像、基因组学及其他组学、随机对照试验七个领域,梳理大数据在精神病学中的进展、约束与未来方向,指出大数据推动了跨学科研究并揭示了精神障碍机制的复杂性、异质性与变异性,但样本量大并不保证估计更精确,从大数据到临床应用的转化仍存在差距,未来需在数据质量与方法严谨性、概念模型与临床问题上同等用力。

  4. 发表出处待核验

    MergeRepair 将多个代码任务适配器合并后,在 StarCoder2 上把自动程序修复的 pass@1 提升 2.38%、pass@10 提升 4.01%,且不额外训练

    该研究提出 MergeRepair 框架,在 CommitPackFT 的 Python 子集(59,113 条样本,其中 Bug Fixes/APR 占 19.02%)上为 Development、Bug Fixes、Misc、Test & QA、Improvement 五个任务各训练一个 LoRA 适配器,用 weight-averaging、ties、dare-ties 三种方法做等权合并,并提出按顺序逐步合并的 continual merging;在 StarCoder2 与 Granite 两个 3B 代码模型上以 HumanEvalFix 的 pass@1/pass@10 评估,结果显示合并适配器可在不额外训练的情况下提升 APR 表现,例如 Sta

  5. 生成式AI视频模型如何描绘抑郁:对OpenAI Sora 2的混合方法研究

    该研究用单词提示“Depression”在Sora 2的消费端应用与开发者API各生成50个视频(共100个),由两名受训编码者独立编码叙事结构、视觉环境、物体、人物人口学与人物状态,并提取视觉美学、音频、语义内容与时间动态等计算特征进行比较,发现应用端视频呈现明显的“康复偏向”(78%即39/50呈现从抑郁状态走向缓解的叙事弧,API端为14%即7/50),应用端视频随时间变亮(平均斜率2.90,SD 2.43每秒,对比API的-0.18,SD 1.24每秒;Cohen d=1.59;q<.001)且运动量约为API的3倍(Cohen d=2.07;q<.001),而两种接入方式共同收敛于狭窄的视觉语

  6. npj Digital Medicine

    用LLM配对比较审计急诊分诊中的性别差异

    该研究提出一种领域无关的配对比较方法,先微调大语言模型复现急诊分诊记录中的决策,再对仅翻转性别、其余临床内容保持不变的配对样本进行预测比较,在法国波尔多大学医院逾14万例就诊记录中发现女性版本比男性版本更易获得较低严重度(较不紧急)的预测分诊等级,合并每对差异率约1.1%(95% CI 0.9–1.3),并在MIMIC-IV上复现出方向一致但更大的约2.2%(1.7–2.7)差异,同时通过性别中性化重训模型使性别间预测差距消失,表明该不对称由显式性别标记介导。

  7. Nature Medicine

    对话式医疗AI的前瞻性证据:难,但不可回避

    这篇发表于《Nature Medicine》的评论文章主张,临床人工智能的信任无法通过基准测试“测”出来,而必须依靠真实临床环境中的严谨前瞻性研究来赢得,并指出这类研究中最难的教训往往不在技术本身,而在于AI周边的人与系统。

  8. PLOS Digital Health

    以医学知识为根基的LLM智能体工具:从病历中识别患者安全事件

    该研究提出SAFE-AI框架,将大语言模型的角色限制为从急诊病历中零样本抽取实体,再由基于临床指南本体构建的确定性规则计算图完成判断,在300份儿科院外心脏骤停病历(18,402行临床信息)上检测肾上腺素过量与给药延迟,报告过量检测准确率97.9%、延迟检测准确率91.6%,优于所比较的基线模型。

已读完全部报道