关键词 "医疗" 的搜索结果， 共 24 条, 只显示前 480 条
梅斯医学AI智能体，有超过40款不同的智能体，同时支持多国语言
由深圳市大数据研究院、国家健康医疗大数据研究院（深圳）、香港中文大学（深圳）联合研发的中文医疗大模型华佗GPT，在香港中文大学（深圳）附属第二医院成功启用。
TCMLLM由北京交通大学计算机与信息技术学院医学智能团队开发的中医药大语言模型项目，旨在通过大模型方式实现中医临床辅助诊疗（病证诊断、处方推荐等）中医药知识问答等任务，推动中医知识问答、临床辅助诊疗等领域的快速发展。目前针对中医临床智能诊疗问题中的处方推荐任务，发布了中医处方推荐指令微调大模型TCMLLM-PR。研发团队整合了8个数据来源，涵盖4本中医经典教科书《中医内科学》、《中医外科学》、《
仲景中医大语言模型（CMLM-ZhongJing）由复旦大学和同济大学联合开发，借鉴人类记忆的过程，通过对中医方药数据的深度学习与推理，建立的一个基于大语言模型的中医诊疗辅助系统。
神农中医药大模型是由华东师范大学计算机科学与技术学院团队完成的，目标是推动大型语言模型在中医药领域的发展。该模型为开源中文中医药大模型：ShenNong-TCM-LLM。以开源的知识数据作为基础训练而成。
Med-PaLM 是一个大型语言模型 (LLM)，旨在为医学问题提供高质量的答案。我们的第二个版本 Med-PaLM 2 是MedLM 的支撑模型之一。MedLM 是一系列针对医疗保健行业进行微调的基础模型。MedLM 现已面向 Google Cloud 客户开放，这些客户一直在探索从基本任务到复杂工作流程等一系列应用。 Med-PaLM 充分利用了 Google 大型语言模型的强大功能，这
开源轻量级通用生物医学视觉-语言基础模型BiomedGPT，则在多种生物医学任务上展现先进性能。BiomedGPT在25项实验中有16项达到先进水平，并在人类评估中表现出色，总结能力接近人类专家。
上海交通大学清源研究院的研究人员提出了PathoDuet框架，针对病理切片图像的特点，设计了跨尺度定位和跨染色迁移两个预训练任务，有效利用了图像放大倍数和染色方式之间的关联性。PathoDuet在结直肠癌分型和免疫组化标记物表达预测等任务中优于现有方法。此外，通用病理基础模型UNI[39]在超过100万张诊断切片上进行了大规模无监督学习，并在34个任务中展现了卓越的性能。该模型支持分辨率无关分类、
多语言医学语料库 MMedC。该语料库涵盖六种主要语言、约 255 亿标记，并用于通用大语言模型的自回归训练和领域适配。同时，研究者开发了具有推理能力的多语言医学多选问答基准MMedBench，以评估多语言医学模型的性能。在此基础上，通过在 MMedC 上训练多个开源模型，研究者提出了多语言医学大模型MMed-Llama 3。该模型在MMedBench 和英语基准测试中表现出色，在推理能力和问答准
OpenMEDLab致力于提供一个集合多模态医学基础模型的创新解决方案。未来，随着平台的不断发展，我们期待看到这些技术更新在OpenMEDLab上实现和应用，进一步推动跨模态、跨领域的医学AI创新。通过在不同医学任务中的灵活应用，OpenMEDLab不仅为基础模型的适配和微调提供了支持，也为解决医学中的长尾问题、提升模型效率和减少训练成本提供了创新途径。
语料库数据集。为了实现多语言医学专用适配，我们构建了一个新的多语言医学语料库（MMedC），其中包含约 255 亿个标记，涵盖 6 种主要语言，可用于对现有的通用 LLM 进行自回归训练。 基准。为了监测医学领域多语言法学硕士 (LLM) 的发展，我们提出了一个新的、具有合理性的多语言医学多项选择题答疑基准，称为 MMedBench。 模型评估。我们在基准测试中评估了许多流行的 LLM，以及在
中国科学院深圳先进技术研究院提出的Swin-UMamba进一步推动了图像分割任务中的模型架构优化。与TransUNet不同，Swin-UMamba基于Swin Transformer的层次化特性，通过局部自注意力机制有效捕捉多尺度特征，同时充分利用了在ImageNet上预训练的优势，结合基础模型在自然图像上学到的知识，大幅提升了模型在医疗影像任务中的数据效率和性能，展现了出色的迁移能力。Swin-
Aignostics公司发布了目前最大规模的腹部CT数据集AbdomenAtlas。该数据集涵盖了广泛的人群特征及多种设备类型，共收录了来自112家医疗机构的20,460例三维CT影像。研究团队由10名放射科医生组成，采用人工智能辅助标注方法，完成了67.3万个高质量解剖结构掩码的标注工作。他们首先对5,246例影像中的22种解剖结构进行人工标注，随后利用半自动化流程，由放射科医生优化模型预测的标
组织病理学图像评估对于癌症诊断和亚型分类至关重要。用于组织病理学图像分析的标准人工智能方法专注于优化针对每个诊断任务的专门模型 。尽管此类方法已取得一些成功，但它们对由不同数字化协议生成的图像或从不同人群采集的样本的普遍性通常有限。在此，为了应对这一挑战，我们设计了临床组织病理学影像评估基础 (CHIEF) 模型，这是一个通用的弱监督机器学习框架，用于提取病理影像特征以进行系统的癌症评估。CHIE
开发能够学习通用且可迁移的 H&E 千兆像素全切片图像 (WSI) 表征的自监督学习 (SSL) 模型，在计算病理学中正变得越来越重要。这些模型有望推进诸如小样本分类、切片检索和患者分层等关键任务。现有的切片表征学习方法通常通过将切片的两个不同增强图像（或视图）对齐，将 SSL 的原理从小图像（例如 224x224 的图像块）扩展到整张切片。然而，最终的表征仍然受限于视图有限的临床和生物多样性
能够鉴别皮肤类型，识别皮肤病，为医美提供全面的建议
根据患者输入的信息，智能进行导诊
计算体重BMI和腰臀比，并给出建议
张博士介绍健康的各方面知识，客观，科学，不偏激。
使用值得信赖的语音转文本技术构建语音 AI 医疗保健产品
The Intelligence Platform for Behavioral Health 行为医学智慧平台
我们的 AI Scribe 可将您与患者的对话转化为结构化的医疗记录，显著节省您的文档记录时间。适用于手机、平板电脑和台式电脑。
Jorie AI 将深厚的医疗保健专业知识与 AI 驱动的解决方案相结合，优化您收入周期的每一步。 从智能自动化到战略性 AI 咨询，我们助您自信地驾驭未来的医疗保健运营。 Jorie 已优化收款流程。使用我们的自动化技术，您将看到每日付款额增加 25%，坏账核销额减少 20%，从而减少需要收款的患者数量。
Regal 的医疗保健 AI 和 AI 患者支持系统能够提供逼真的对话，如同您最优秀的患者支持团队一般。我们的 AI 代理可以全天候安排、评估和跟进，让每位患者都感受到被优先照顾。
只显示前20页数据，更多请搜索
Showing 169 to 192 of 216 results
