- 综合排序
- 最热优先
- 最新优先
- 来自专栏量子位
谷歌自曝医疗AI临床结果不佳：实验室丰满，临床骨感
没想到，落到临床试验，却失败了。 这大概就是理想与现实的差距吧。理想有多丰满，现实就有多骨感。 像极了我们在大学实验室里做实验的样子。 ? 为了验证算法的性能，他们还使用了2个独立的临床试验数据集，包括1.2万幅图片，审核结果由专家来判决。 临床试验很“骨感” 这个项目主要是在泰国展开，与泰国公共卫生部门合作，在泰国巴吞他尼省和清迈省的11所诊所安装了这个深度学习系统。 同时，也给谷歌这种勇于“正视淋漓的临床结果”的态度，点个赞。 毕竟这个行业里，报喜的多，吹哨的少。 也提醒我们，医疗AI，没那么简单。 毕竟AI“进军”医疗，年头不少了，但你在医院和普通门诊场景里，有见到吗？你愿意把疾病交给AI诊断吗？
66820发布于 2020-05-06 大语言模型医疗建议受非临床信息干扰
大语言模型医疗建议受非临床信息干扰根据某机构研究人员的研究，部署用于提供治疗建议的大语言模型（LLM）可能会被患者信息中的非临床信息干扰，例如错别字、多余空格、缺失性别标记，或使用不确定、夸张和非正式语言 分析还显示，这些文本中的非临床变化（模仿人们真实交流方式）更可能改变模型对女性患者的治疗建议，导致更高比例的女性被错误地建议不寻求医疗护理（根据人类医生的判断）。 混合信息像某中心GPT-4这样的大语言模型正在全球医疗机构中用于起草临床记录和分诊患者信息，旨在简化一些任务以帮助负担过重的临床医生。 他们根据患者笔记向每个LLM提出三个问题：患者是否应该在家管理、患者是否应该来诊所就诊，以及是否应该为患者分配医疗资源（如实验室检查）。研究人员将LLM建议与真实临床响应进行了比较。 Ghassemi说：“在我们正在审阅的后续工作中，我们进一步发现大语言模型对人类临床医生不受影响的变化很脆弱。这也许并不奇怪——LLM并非设计用于优先考虑患者医疗护理。
29700编辑于 2025-09-12AI医疗转录技术助力临床文档自动化
某AI医疗转录平台宣布服务2万名临床医师，面临市场竞争加剧即使生成式AI的批评者也不得不承认：该技术在转录领域表现卓越。 技术架构：专为医疗场景设计的模块化AI系统该平台不仅具备录音转录功能，其核心是结构化的专业AI文档引擎，可根据用户偏好生成临床笔记。 系统架构采用高度模块化的流水线设计：初始转录采用经优化的OpenAI Whisper开源模型，专门针对临床词汇进行微调平台叠加数百个定向AI任务，用于提取结构、过滤闲聊内容自动调整术语至医疗标准，匹配用户特定模板系统通过临床医师的编辑行为持续学习 ，逐步个性化超过20名内部临床医师定期审核匿名笔记以提升模型性能。 用户反馈显示：100%的临床医师报告工作与生活平衡得到改善80%表示工作满意度提升80%认为能够提供更好的患者护理服务通过消除文档负担，该技术正在帮助临床医师重获时间控制权和心理能量，甚至改变了一些医师关闭私人诊所的决定
17510编辑于 2025-09-20- 来自专栏天意云&天意科研云&天意生信云
《Nature》发表：AI运用在医疗临床决策支持的系统评估
未来人们很可能会转向AI大型语言模型（LLMs）来咨询健康/医疗建议，就像在以前用百度/Google上搜索诊断一样. 这篇今天3月发表在《Nature》文献，针对临床决策支持任务的 ChatGPT、Google 搜索和 Llama 2 的系统分析 文献地址：https://www.nature.com/articles /s41467-024-46411-8 Abstract 作者评估了GPT-3.5和GPT-4在临床上的准确性，为110个医疗病例提供初步诊断、检查步骤和治疗建议。 总之，商业LLMs（GPT-4）在连续两个主要版本中展示了医疗问答的潜力不断增长。然而，一些弱点凸显了医疗保健领域需要强大且受监管的人工智能模型。 b：用于检查的 GPT-3·5 与 GPT-4 的性能（精确调整的 p 值 p = 3.2241·10 −6 ）。 c：GPT-3·5 与 GPT-4 的治疗表现。气泡图显示两种方法的成对比较。
38710编辑于 2025-03-06 - 来自专栏数据派THU
临床落地难、数据安全隐患…智慧医疗如何破局？
不过，尽管市场前景广阔，但医疗人工智能产品从实验室走到临床大规模商用，还有待多重考验。 6 年，投资 50 亿后，仍然免不了裁员 70%，缩减服务规模的命运，几乎宣告了这个项目的失败；过去多年来，谷歌开展的医疗项目不断受阻，随后一直在寻求医疗难题的技术解决路径及其商业化的可能。 这一方面是由于医疗AI作为一种全新的产品，之前并无审批此类产品的经验和标准数据库。另一方面，国内医疗AI企业的产品还在打磨阶段，医疗是一个严谨的行业，事关民众安全，需要慎之又慎。 2018 年 4 月和 6 月，中检院相继完成了糖网眼底图像标准数据集和胸部 CT 影像肺结节标准数据集的建设。 其中，构建结构化临床数据库就是飞利浦的一项重要课题研究。可以看到，为了让数据来源可解释以及更加标准化，飞利浦布局已久。 ?
1.5K20发布于 2019-11-20 - 来自专栏医学数据库百科
临床相关突变查询数据库
写在前面 越来越多的研究发现某一个基因的突变和很多的临床特征有关系。如果我们想有查找临床性状和基因突变的关系的话，内容比较全面的就是ClinVar数据库了。 ClinVar 数据库是ncbi旗下用于查看临床相关突变的数据库。但是其数据库的内容比较多，而且检索界面不是很友好。所以经常看不懂其结果。所以今天就介绍一个检索简单的突变和表型的数据库。 通过其名字我们就知道这个是一个简易版的Clinvar数据库。 输入 数据库的输入很简单，我们可以数据疾病；基因名; 突变等。都可以。 我这里输入gastric cancer。 另外数据库也提供了下载的功能。我们点击Show Table就可以看到其下载结果的地方了。 写在后面 以上就是这个数据的所有功能的。输入关键词—界面友好的查看结果。是不是很简单。 一直再说这类汇总其他数据库的资源，最怕的资源更新慢的问题。不过看这个数据库还是经常更新的。所以可以放心使用的
1.3K40发布于 2021-11-18 - 来自专栏科研猫
临床样本组学研究Day6 : 临床样本的代谢组学研究
数据呈现：Be和Pro可以很好地区分HCC 与肝炎和肝硬化，其联合诊断的灵敏度和特异性要远优于目前临床使用的肝癌诊断指标AFP，尤其在AFP表达阴性的HCC患者中，诊断准确性为92%，具有很好的临床应用前景 启示：无论在做代谢组学还是蛋白质组学，当筛选到差异代谢物/蛋白质时，一定要和传统临床指标/传统危险因素进行校正。 在精准医疗的背景下，我们要时刻有疾病分型的意识。
1.7K31编辑于 2022-04-09 - 来自专栏生信技能树
TCGA数据库临床资料官方大全
因为TCGA计划跨时太长，纳入研究的病人数量太多， 或多或少有点资料继续错误或者不完整，所以TCGA团队下功夫在计划结束后（April 2018）完整的系统性的公布了权威的临床资料。 看起来是乱码，但的确是真实的下载地址：https://api.gdc.cancer.gov/data/1b5f413e-a8d1-4d10-92eb-7c4ae739ed81 题外话：关于不同数据源的TCGA临床资料冲突的讨论
5.3K41发布于 2019-06-15 AI 临床辅助与管理系统：给医院配个“智能医疗管家”
很多人觉得 AI 临床辅助与管理系统是高大上的黑科技，其实它更像医院的全能智能助手——既帮医生精准看病、少走弯路，又帮医院高效管流程、控风险，用技术把繁琐的临床工作和复杂的医院管理捏合在一起，让医疗更稳 简单说，机器先“学透”医学知识和临床经验，再结合患者实时数据，给出靠谱建议。 开医嘱时，系统会实时核查药品过敏、配伍禁忌、剂量超标等问题，一旦发现风险立刻预警；同时对照诊疗规范，提醒遗漏检查、过度医疗等情况，牢牢守住医疗安全底线。 管理端：做医院的“智能大管家”脱离临床的管理都是空谈，AI 临床辅助与管理系统把临床数据和管理决策绑定，让医院管理从“靠经验”变成“靠数据”。 说到底，AI 临床辅助与管理系统不是颠覆医疗，而是用技术给医疗“提质增效”，让优质医疗资源更普惠，让医院管理更精细，这也是医疗数字化转型的核心方向。
21010编辑于 2026-03-25- 来自专栏科研猫
临床样本组学研究Day6 : 临床样本的单细胞转录组测序
今天我们就来聊聊基于临床样本的单细胞转录组测序。 在组织中分选特定细胞，组织样本的处理和细胞分选技术非常重要（技术注意事项可以多向测序公司咨询）； 3．对于利用临床样本纯单细胞测序研究来说，要重视单细胞测序数据分析算法的个性化，利用各种不同巧妙的算法尽可能多挖掘测序数据中隐藏的信息
1.7K21编辑于 2022-04-09 - 来自专栏程序随笔
聊聊ChatGLM-6B医疗数据微调
参考了多个医疗大模型，如扁鹊、灵心等，重新思考了下微调的方案以及数据集的格式；基于ChatGLM/其它LLM整合多种微调方法的非官方实现的框架，审视其数据集格式，以及调试效果，进行微调。 开源库下载 在服务器上通过git一键下载即可： ChatGLM-6B下载 直接在服务器上，通过魔塔社区的sdk下载代码一键下载即可： 我加了一句代码打印出下载地址，然后通过mv命令拷贝到指定路径下 #模型下载 from modelscope import snapshot_download model_dir = snapshot_download('ZhipuAI/ChatGLM-6B') print @zhihu: https://www.zhihu.com/people/LiuCongNLP # @contact: logcongcong@gmail.com # @time: 2023/12/6
72110编辑于 2024-03-17 - 来自专栏数据派THU
干货 | 统计学概论和医疗临床大数据分析（附PPT下载）
本文内容选自加拿大约克大学数学统计系终身教授王晓刚于近期在清华大数据“技术·前沿”系列讲座所做的题为《统计学概论和医疗临床大数据分析》的演讲。 ? ? 以前做人工智能的人认为敏感性越高越好，但他们没有考虑医疗费用的维度，如果发病率是10%，特异性是70%，也就是说这个人没有病的准确率是70%，那意味着90%没病当中的人，其中30%有误报，这样会把20%
1.1K40发布于 2019-12-10 - 来自专栏数据派THU
【AI+医疗】人工智能在健康业务和临床管理中的应用
来源：专知本文为书籍介绍，建议阅读5分钟这本实用的书是第一本描述AI可以帮助解决有害的医疗保健问题的当前和未来用例的书。 人工智能将改变医疗健康的方方面面，包括我们管理个人健康的方式，从客户体验和临床护理到降低医疗保健成本。这本实用的书是第一本描述AI可以帮助解决有害的医疗保健问题的当前和未来用例的书。 www.oreilly.com/library/view/ai-first-healthcare/9781492063148/ Kerrie Holley和Siupo Becker提供指导，帮助信息学和医疗保健领导为医疗保健创建 由AI技术专家和利用AI解决医疗保健最困难的挑战的医生共同撰写的这本书涵盖: 人工智能的神话和现实，现在和未来 以人为本的人工智能:它是什么以及如何使它成为可能 利用各种人工智能技术超越精准医疗 如何利用物联网和人工智能环境计算提供患者护理 人工智能如何帮助减少医疗浪费 AI策略和如何识别高优先级AI应用
78810编辑于 2022-07-04 - 来自专栏腾讯AI实验室的专栏
AI + 医疗 ：食道癌早期筛查技术率先进入临床预实验
昨天，腾讯发布了首款AI医学影像产品——腾讯觅影，使用腾讯AI Lab技术的食管癌早期筛查也成为首个进入临床预试验的项目，实现了筛查一个内镜检查用时不到4秒，对早期食管癌的发现准确率高达90% 1 。 中山大学医院管理处处长、广东省食管癌研究所所长傅剑华教授介绍，AI在医疗上的应用越来越广泛。国外开发主要聚焦影像识别系统，应用在皮肤科和眼科等。这次合作属于内镜图像识别系统，可能在全球属于首创。
2.4K30发布于 2017-08-04 - 来自专栏生信宝典
临床基因组分析相关数据库汇总
一、人群SNV频率数据库 数据库名称 网站 简介 dbSNP https://www.ncbi.nlm.nih.gov/snp/ dbSNP 包含人类单核苷酸变异、微卫星和小片段插入和缺失，以及常见变异和临床突变的发表 ClinGen https://www.clinicalgenome.org/ ClinGen是美国国立卫生研究院(NIH)资助的数据库资源，用于精准医学，研究基因和变异的临床相关性。 三、表型数据库 数据库名称 网站 简介 GeneReviews http://www.genereviews.org/ GeneReviews 是为忙碌的临床医生提供的国际即时护理资源，以标准化的期刊样式格式提供与遗传病相关的临床相关和医学上可操作的信息 DECIPHER https://www.deciphergenomics.org/ 使用Ensemble基因组浏览器，将基因芯片数据和临床表型进行关联，便于临床医生和研究人员使用的细胞分子遗传学数据库 七、其他数据库 数据库名称 网站 简介 Pharmgkb https://www.pharmgkb.org/ PharmGKB是一个综合资源，为临床医生和研究人员管理有关基因变异对药物反应影响的知识。
2.7K20编辑于 2022-01-19 - 来自专栏医学和生信笔记
1行代码提取6种TCGA表达矩阵和临床信息
“医学和生信笔记，专注R语言在临床医学中的使用、R语言数据分析和可视化。主要分享R语言做医学统计学、临床研究设计、meta分析、网络药理学、临床预测模型、机器学习、生物信息学等。 脚本已上传到QQ群，需要的小伙伴加群下载即可~ 只需要1行代码就可以获取分别获取mRNA和lncRNA的counts/fpkm/tpm总计6种类型类型的表达矩阵以及临床信息，表达矩阵是标准形式，行是基因 完成后会在当前目录多出一个output_expr文件夹，里面就是6个表达矩阵和临床信息： 完成后会多出一个文件夹 output_expr文件夹里面就是提取好的信息： 提取好的表达矩阵和临床信息 TCGA-LUSC_expr.rdata ：原始的se对象，所有信息都是从这里面提取的； TCGA-LUSC_clinical.rdata：TCGA-LUSC的临床信息； TCGA-LUSC_lncRNA_expr_counts.rdata：lncRNA fpkm矩阵； TCGA-LUSC_mRNA_expr_tpm.rdata：mRNA的tpm矩阵； 表达矩阵示例： lncRNA的counts矩阵 mRNA的counts矩阵 mRNA的tpm矩阵 临床信息
1.2K10编辑于 2022-11-15 - 来自专栏临床预测模型
临床预测模型概述6-统计模型实操-Lasso回归
基础知识回顾：tps://mp.weixin.qq.com/s/pXRZ1rYUr3lwH5OlDeB0_Qhttps://mp.weixin.qq.com/s/UVR6ZHCwhWqTfFBmPYPV9Qhttps 通常该方法用于筛选自变量(大量的基因数据/临床参数等)，有时候也可以用于获取建模前自变量的系数。 6. 绘制路径图：● 可以绘制系数路径图或交叉验证曲线来直观地查看模型在不同λ值下的表现，从而更好地选择合适的λ值。4. 0,]nrow(coef)lassoGene = coef$genelassoGene# [1] "NLRC4" "PJVK" "CASP8" "BAK1" "GSDME" "NLRP6" ayueme.github.io/R_clinical_model/feature-selection_lasso.html3、生信小白要知道：https://mp.weixin.qq.com/s/kSrr6regfAtX4Bw6gSvmgw
94310编辑于 2024-08-09 - 来自专栏医疗AI 在临床应用与实践
——医疗大模型临床落地的法律困境与破局之路
它揭示了一个残酷的现实：当大语言模型（LLM）和人工智能深度介入临床诊疗，技术的光环背后，是一片尚未厘清的法律真空地带。 然而，这种"辅助"定位在临床实践中遭遇了悖论：医生的困境：如果完全依赖AI的判断，一旦出错，医生被认定为"未尽审慎义务"；如果完全不采信AI的建议，那么引入这套昂贵系统的意义何在？ 在繁重的临床工作中，这几乎是不可能完成的任务。 医生层面：提供技术细节，包括训练数据来源、相似病例对比、关键特征权重监管层面：完整的算法审计报告，包括测试数据集表现、已知局限性3.3 从"辅助"走向"协作"的临床工作流重构当前医疗AI的最大问题，是被简单地 现有的监管和临床流程是否给了医生合理使用AI的条件？患者是否充分知情，理解AI参与诊疗的风险与收益？只有当这些问题都有了清晰的答案，医疗AI才能真正从实验室走向临床，从技术演示走向规模应用。
2.2K10编辑于 2025-10-29 - 来自专栏新智元
NIH开源迄今最大临床医疗图像数据集，用深度学习构建通用疾病检测模型！
CT图像数据集DeepLesion，也是迄今全球规模最大的多类别、病灶级别标注的开放获取临床医疗图像数据集。 来源：[1] 医生手工标注CT图像，不适合用于训练AI “美国的临床医疗数据库里，积累了医生在临床实践中留下的成千上万个病人的标注数据，”吕乐博士说：“但是，这些标注往往不完整，是医生为了辅助他们自己的工作进行的 去除隐私后的公共医疗大数据本就不多，而且不同于其他类型的数据标注，医疗图像标注需要丰富的临床经验，即使是资深医生，有时候也会在某个标注上产生意见分歧。 大规模的临床医疗数据库，是AI在临床真正落地的唯一路径 除了自动检测病灶，DeepLesion还可以用于一些其他问题，比如对数据集中每个病灶进行测量。 大规模的临床数据库是AI在临床真正落地的唯一路径；但标注几乎永远不可能是完美的，这就对新的更鲁棒的深度学习算法提出了更多以及更高的要求。 DeepLesion的获取方式也决定了它存在着一定的局限性。
5.6K20发布于 2018-08-16 - 来自专栏NLP/KG
医疗大模型：数据+知识双轮驱动实现医学推理、医患问答、病历自动生成、临床决策
医疗大模型：数据+知识双轮驱动实现医学推理、医患问答、病历自动生成、临床决策，为未来医疗服务提供全新可能性 1.指令数据集构建 目前大多数开源的ChatLLM项目使用的是其他模型（如：ChatGPT）生成的指令数据 ，从医学数据治理、医学推理、医患问答、病历自动生成、临床决策辅助支持系统等方面开展迭代研发，助力大模型技术在医疗行业的落地和应用实践。 然而，由于我无法提供最新的医学信息，我建议您咨询医疗专业人士或药剂师以获取关于非布司他的最新信息，并确切了解它在治疗特定疾病方面的适应症和有效性。 6. 改善睡眠：藏青果茶有助于放松神经系统，具有镇静和安抚作用，可以改善睡眠质量，缓解失眠问题。 /2则回答正确； 标准3：模型答案命中的“治疗药物”（“检查检验”、“临床表现”）数目大于等于药品说明书适应症数目的2/3则回答正确； 模型 临床表现标准1 临床表现标准
1.1K11编辑于 2024-02-23
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号