阿里健康推出AI助手“氢离子”，专注于低幻觉率和高循证能力，已完成内测并开放下载，主要服务于临床和科研医生，支持权威出处溯源，提升医疗决策准确性。

本研究通过QLoRA微调的LLM与检索增强生成技术，提高医疗决策支持系统的准确性和资源效率，同时关注患者隐私与数据安全。

本研究开发了KidneyTalk-open系统，旨在解决肾病医疗决策支持中大型语言模型的安全性和技术要求问题。该系统实现了无代码的开源部署，提高了医疗问答的准确性，降低了技术门槛，方便更多医疗人员和患者使用。

本研究提出了一种基于神经常微分方程（NODEs）的可解释深度学习方法，旨在解决医疗领域的“黑箱”决策问题，提高模型透明度和预测能力，为未来研究提供新方向。

本研究提出医学语言模型Citrus，旨在解决医疗行业中疾病推理的专业知识获取问题。Citrus通过训练合成数据，提高医疗决策支持系统的准确性和效率，并开放医疗诊断对话数据集以促进后续研究。

OpenAI于2024年12月6日推出了一种新的强化微调方法，旨在通过少量数据构建专家模型，应用于医疗和科学决策等领域。该方法结合了人类反馈的强化学习，有效学习决策过程。尽管技术潜力巨大，但数据集中在非开源公司可能带来安全隐患。

研究评估了Meditron、Llama2和Mistral等大型语言模型在医疗决策中的辅助作用。结果表明，提示设计影响模型的准确性，LLMs能够提供反馈并纠正错误诊断，但生成建议的相关性和实用性仍需改进，强调了进一步研究的必要性。

本研究提出KARE框架，通过结合知识图谱的检索与推理，解决大型语言模型在医疗决策中的幻觉问题，并提升医学知识的细粒度。KARE利用多源知识图谱，提高信息检索的准确性和可解释性，实验结果显示其在死亡率和再入院预测方面优于现有模型。

数字孪生是将计算模型与物理模型相耦合的系统，通过双向数据流动态更新，具有预测能力。它在医疗决策、天气预测和工程流程等方面广泛应用。然而，实现数字孪生的全部潜力仍面临数学、统计和计算研究的差距，以及系统和转化挑战。数字孪生的未来应用包括医学研究、飞机发动机优化和气候预测。加强核查、验证和不确定性量化是数字孪生发展的关键。联邦机构应提供计算资源，并促进领域间的协作和数据模型的共享。

该研究提出了MedSumm框架，利用语言模型和视觉模型概括医学问题，整合视觉辅助信息改善医疗决策和医患交流。通过MMCQS数据集展示了利用图像信息改进医学摘要的价值。多模态策略有助于个性化和响应式医疗护理的未来探索。

医学问题概括对医患交流和医疗决策至关重要。本研究引入了多模态医学问题概括任务，结合了视觉辅助信息，通过使用MMCQS数据集展示了利用图像中的视觉信息来改进医学详细摘要的价值。多模态策略不仅改善了医疗决策，还促进了对患者问题的更深入理解。