全球医疗系统面临临床专家短缺，预计到2030年将缺少超过1000万名健康工作者。谷歌DeepMind推出AI协同医生研究计划，旨在提升医生专业能力和改善患者护理质量。研究表明，AI协同医生在临床决策支持和药物知识方面表现优异，能够有效辅助医生，提高医疗效率。该项目强调AI与医生的合作，确保医疗决策的安全性和有效性。

医生版ChatGPT公司OpenEvidence融资2.5亿美元，估值达120亿美元，成为医疗AI领域的独角兽。该公司为医生提供精准的临床决策支持，日均处理超6万次查询，45%的美国医生使用其服务，展现出强大的市场潜力。

未来医生AI工作室在安全性和有效性上超越GPT-5，成为全球领先的医疗AI。它通过临床决策和患者随访助手，帮助基层医生减轻工作负担，提高诊疗质量。国家政策支持“人工智能+医疗”，该工作室被视为最佳实践，获得医生广泛好评。

本研究提出利用大型语言模型（LLMs）来改进药物过量风险预测，克服传统机器学习模型在医疗记录分析中的局限性。实验结果表明，LLMs在某些情况下优于传统模型，具备较高的预测准确性，显示其在临床决策支持中的潜力。

本研究探讨了症状与疾病之间的因果关系，提出了CausaLM框架，通过反事实文本表示量化关键症状对诊断的影响，从而提高临床决策支持工具的可靠性和可解释性，减少误诊风险。

本研究提出两种新颖的多输出预测方法，旨在提高医学影像中解剖标志定位的准确性和不确定性量化的可靠性，为临床决策提供更可信的信心度量。

本研究提出了一种多智能体住院路径框架，有效应对复杂临床决策挑战。实验结果显示，该框架提高了诊断准确率25.10%，并在临床合规性方面超越认证医生，推动住院路径系统的发展。

本研究提出了TCM-3CEval基准，评估大型语言模型在传统中医学中的表现，涵盖核心知识、经典文本理解和临床决策三个维度。研究发现，具备中文背景的模型在经典文本解读和临床推理方面表现更佳，为中医领域的AI评估提供了标准和优化建议。

本研究提出了ExKG-LLM框架，利用大型语言模型自动扩展认知神经科学知识图谱，显著提高了知识生成和临床决策的准确性与完整性。

本研究提出了风险代理系统（RiskAgent），旨在缩小医疗风险预测与真实临床决策之间的差距。该系统能够预测超过387种风险情境，准确率达到76.33%，显著优于传统大型语言模型，展示了其在医疗领域的潜力。

本研究提出了一种大型语言专家系统（LLE），结合大型语言模型与专家系统，以提高自动化临床决策支持的准确性。在癌症诊断中，LLE的准确率超过95%，显著提升了治疗的时效性和质量。

本研究提出了增强型变换器模型ETHOS，针对医疗风险评估的不足，通过个性化可解释模块ARES，实现动态实时风险评估，从而提高临床决策的准确性，改善患者结果。