摘要由人工智能驅(qū)動的學(xué)習(xí)正在改變教育，要求教育者迅速掌握有效整合人工智能工具的技能，以便它們補充而非取代傳統(tǒng)教學(xué)實踐。生成式人工智能的快速發(fā)展帶來了挑戰(zhàn)，尤其是對于那些不太懂技術(shù)的教師或那些延遲學(xué)習(xí)這些工具的人，使他們面臨落后的風(fēng)險。隨著學(xué)生快速適應(yīng)廣泛可用的模型如ChatGPT3.5和DeepseekR1，他們越來越多地用于學(xué)習(xí)、作業(yè)和評估。盡管已有關(guān)于教育中人工智能的討論，但缺乏實際指導(dǎo)，說明醫(yī)學(xué)教育工作者如...

摘要人工智能通過大型語言模型（LLMs）顯著改變了醫(yī)療保健領(lǐng)域，尤其在靜態(tài)醫(yī)學(xué)問答基準(zhǔn)測試中表現(xiàn)出色。然而，由于醫(yī)患互動的復(fù)雜性，評估LLMs在現(xiàn)實世界臨床應(yīng)用的潛力仍然具有挑戰(zhàn)性。為此，我們引入了“人工智能醫(yī)院”這一多智能體框架，模擬醫(yī)生（玩家）與包括患者和檢查員在內(nèi)的非玩家角色（NPCs）之間的動態(tài)醫(yī)療互動。這種設(shè)置允許在模擬的臨床場景中更實際地評估LLMs的表現(xiàn)。我們開發(fā)了“多視圖醫(yī)療評估”（MVME）基準(zhǔn)...

摘要雖然大型語言模型（LLMs）在診斷對話中顯示出潛力，但它們在有效管理推理方面的能力——包括疾病進展、治療反應(yīng)和安全藥物處方——仍有待進一步探索。我們通過一種新的基于LLMs的代理系統(tǒng)推進了之前展示的ArticulateMedicalIntelligenceExplorer（AMIE）的診斷能力，該系統(tǒng)針對臨床管理和對話進行了優(yōu)化，整合了對疾病演變、多次患者就診經(jīng)歷、治療反應(yīng)以及藥物處方專業(yè)能力的推理。AMIE在權(quán)威臨床知識的基礎(chǔ)上進行推理，利...

前言2025年1月9日–加利福尼亞州門洛帕克–世界上最大的開放網(wǎng)絡(luò)知識圖譜創(chuàng)建者Diffbot宣布推出其第一個大型語言模型（LLM），這是迄今為止世界上最基于事實的AI語言模型。利用Diffbot專有的知識圖譜（包括超過100億個實體和來自開放網(wǎng)絡(luò)的超過1萬億個結(jié)構(gòu)化事實），新模型在事實可靠性和領(lǐng)域覆蓋率方面超過了目前所有可用的LLM。當(dāng)前前沿的LLM方法通過擴大模型的大小來減少不良響應(yīng)（又名“幻覺”），使其代表更多的訓(xùn)練數(shù)據(jù)，...

摘要EnterpriseKnowledge的首席數(shù)據(jù)和人工智能解決方案架構(gòu)師DavidHughes在1月25日2025數(shù)據(jù)日上發(fā)表了題為“釋放多模態(tài)GraphRAG的力量：集成圖像特征以獲得更深入的洞察”。在本次演講中，David通過引入多模態(tài)GraphRAG討論了GraphRAG的一個未被充分探索的維度——圖像的集成，MultimodalGraphRAG是一個將圖像數(shù)據(jù)帶到基于圖的推理和檢索前沿的創(chuàng)新框架。他演示了這種方法如何實現(xiàn)對圖像的更全面理解，從而放大洞察的深度和準(zhǔn)確...

摘要檢索增強生成（RAG）是一種適用于檢索敏感電子健康記錄（EHR）的合適技術(shù)。它可以作為醫(yī)療副駕駛員Copilot的關(guān)鍵模塊，幫助減少醫(yī)療從業(yè)者和患者的誤診。然而，現(xiàn)有基于啟發(fā)式的醫(yī)療領(lǐng)域RAG模型的診斷準(zhǔn)確性和特異性不足，特別是對于癥狀相似的疾病。本文提出MedRAG，一種通過知識圖譜（KG）引導(dǎo)推理提升的醫(yī)療領(lǐng)域RAG模型，根據(jù)癥狀檢索診斷和治療建議。MedRAG系統(tǒng)地構(gòu)建了一個全面的四層分級診斷知識圖譜，涵蓋各種疾病的...

摘要生成式大型語言模型（LLMs）通過實現(xiàn)快速、類人的文本生成改變了人工智能領(lǐng)域，但它們面臨挑戰(zhàn)，包括管理不準(zhǔn)確的信息生成。諸如提示工程、檢索增強生成（RAG）以及整合特定領(lǐng)域知識圖譜（KGs）等策略旨在解決這些問題。然而，尤其是在通過WebAPI使用封閉訪問LLM的開發(fā)者中，實現(xiàn)實驗的管理、可重復(fù)性和驗證所需水平仍存在挑戰(zhàn)，這增加了與外部工具集成的復(fù)雜性。為解決這一問題，我們正在探索一種軟件架構(gòu)，通過優(yōu)先考慮靈...

摘要傳統(tǒng)的生物醫(yī)學(xué)人工智能（AI）模型，針對特定任務(wù)或模式設(shè)計，在實際應(yīng)用中往往表現(xiàn)出有限的靈活性，并且難以利用整體信息。通用型AI由于其解釋不同數(shù)據(jù)類型的能力以及為多樣化需求生成定制輸出的能力，具有解決這些限制的潛力。然而，現(xiàn)有的生物醫(yī)學(xué)通用型AI解決方案通常對研究人員、從業(yè)者和患者而言是重量級且閉源的。在這里，我們提出了BiomedGPT，第一個開源且輕量級的視覺語言基礎(chǔ)模型，旨在作為一個能夠執(zhí)行各種生物...

摘要自ChatGPT和GPT4發(fā)布以來，大型語言模型（LLMs）和多模態(tài)大型語言模型（MLLMs）因其在理解、推理和生成方面的卓越能力而受到廣泛關(guān)注，為將人工智能整合到醫(yī)學(xué)中引入了變革性范式。本調(diào)查全面概述了LLMs和MLLMs在醫(yī)學(xué)中的發(fā)展、原理、應(yīng)用場景、挑戰(zhàn)和未來方向。具體而言，它首先考察了范式轉(zhuǎn)變，追溯了從傳統(tǒng)模型到LLMs和MLLMs的轉(zhuǎn)變，并強調(diào)了這些LLMs和MLLMs在醫(yī)學(xué)應(yīng)用中的獨特優(yōu)勢。接下來，調(diào)查回顧了現(xiàn)有的醫(yī)學(xué)LLMs和...

數(shù)據(jù)是現(xiàn)代企業(yè)的命脈，為從創(chuàng)新到戰(zhàn)略決策的方方面面提供動力。然而，隨著組織積累的信息量不斷增長（從技術(shù)文檔到內(nèi)部通信），他們面臨著一項艱巨的挑戰(zhàn)：如何從海量的非結(jié)構(gòu)化數(shù)據(jù)中提取有意義的見解和可操作的結(jié)構(gòu)。檢索增強生成（RAG）已成為一種流行的解決方案，它通過集成相關(guān)的企業(yè)數(shù)據(jù)來增強AI生成的響應(yīng)。雖然傳統(tǒng)的RAG方法對簡單的查詢有效，但在解決需要推理和交叉引用的復(fù)雜、多層次問題時，往往無法滿足要求。問...