蚂蚁集团推出的医疗AI大模型“蚂蚁·安诊儿”开源后迅速登顶多项医疗榜单，具备超过200 tokens/s的推理速度，专为真实医疗场景设计，支持中小型医疗机构的实时交互。该模型在医疗知识问答和复杂推理方面表现优异，推动医疗AI的实际应用。

本研究提出了一种设计框架，以促进可信人工智能（TAI）在医疗领域的临床应用。通过分析医疗流程参与者的需求，探讨了实施TAI原则时面临的挑战和权衡，特别关注心血管疾病领域，揭示了TAI应用的现状及障碍。

本研究分析了合成电子健康记录（EHR）在医疗中的应用，评估了大型语言模型（LLM）生成合成数据的能力与局限性。结果表明，LLM在处理小特征子集时表现良好，但随着数据维度增加，其保持现实分布和相关性的能力下降，限制了在不同医院的适用性。

本研究提出选择性注意联邦学习（SAFL）方法，旨在解决医疗应用中的通信开销和模型隐私问题。SAFL通过动态微调重要变换层，降低通信带宽并增强隐私保护。实验结果表明，SAFL在临床自然语言处理基准测试中表现优越，提升了效率并维护了隐私。

本研究提出了一种综合框架，旨在解决大型语言模型在医疗应用中的不确定性量化问题，结合贝叶斯推断和深度集成方法，以增强用户信任。

本研究推出了西班牙最大的公开临床语料库ClinText-SP和先进的临床编码语言模型RigoBERTa Clinical，后者在多个临床NLP基准测试中表现优异，对相关研究和医疗应用具有重要影响。

本研究探讨神经符号人工智能（NeSy）在医疗领域的应用，特别是在药物发现和蛋白质工程中的潜力。NeSy结合符号推理与深度学习，能够处理复杂医疗数据并提供解释能力，提出了改进策略和未来实验建议。

本研究提出了Med-R²框架，旨在解决大语言模型在医疗应用中的高成本数据集训练和知识库检索精度问题。通过整合检索和推理机制，该框架显著提升了大语言模型在医疗场景中的问题解决能力，实验结果显示性能提高了14.87%。

Osmo公司首次利用AI技术生成李子味道，并可根据需求定制新香味。该技术基于全球首个气味数据库和“气味地图”，能够快速分析和复刻气味，旨在实现气味传输并应用于医疗领域。

本研究提出MARIA模型，旨在解决医疗领域多模态数据整合中的缺失数据问题。该模型采用中间融合策略，通过掩蔽自注意机制处理可用数据，避免生成合成值。实验结果表明，MARIA在多个诊断和预测任务中优于现有方法，展现出在医疗应用中的潜力。

本研究探讨了协作人工智能在医疗应用中的成本效益，比较了联邦学习（FL）与共识基础学习（CBL）。结果表明，CBL在保持相同准确度的情况下，显著降低了训练时间和通信成本，为协作AI的可持续部署提供了新视角。