诺贝尔奖得主大卫·巴尔的摩于87岁去世，他因发现逆转录酶而改变了遗传学，推动了对病毒的理解。尽管曾遭遇学术不端争议，他仍坚持科研至最后一周，对生物医学领域产生了深远影响。

南洋理工大学提出的概念感知微调（CAFT）首次在微调阶段实现多token预测，增强模型理解能力而不增加成本。CAFT通过辅助头和动态调整权重，帮助模型学习完整概念，显著提升编程、数学和生物医学等领域的性能，可能改变AI训练方式。

现代生物医学研究面临数据爆炸和效率瓶颈。斯坦福大学等机构研发的AI智能体Biomni，能够跨领域自主执行多项研究任务，整合数据与实验流程，从而提升研究效率，帮助科学家专注于创新。

研究显示，2024年PubMed上发表的生物医学论文中，有14%使用了AI写作，常见特征词包括风格性动词和形容词。部分作者调整用词以避免AI痕迹，LLM的影响力在非英语国家和某些学科中愈加明显。

机器之心数据服务现已上线，提供高效稳定的数据获取，简化数据爬取流程。

机器之心数据服务现已上线，提供高效稳定的数据获取，简化数据爬取流程。

本研究探讨大型语言模型在生物医学假设生成中的可靠性，重点评估假设的真实性和幻觉现象。提出了TruthHypo基准和KnowHD检测器，以系统评估模型生成假设的准确性。研究发现，LLMs在生成真实假设方面存在挑战，但KnowHD能够有效过滤真实假设，促进科学发现。

本研究提出了GNN-Suite，一个用于构建和基准测试图神经网络（GNN）架构的模块化框架，以解决生物医学领域内实验标准化和可重复性的问题。该框架通过系统的评估方法，证明了GNN在识别癌症致病基因方面的优越性，尤其是GCN2模型在结果中表现最佳（平衡准确率0.807），并强调了网络学习相对于单一特征方法的优势。

本研究提出了一种基于检索增强生成的生物医学问答系统，解决了检索与生成的效率问题。评估不同检索策略后，发现BM25结合MedCPT在准确性、召回率和响应时间上实现了最佳平衡，具备良好的效率和可扩展性，并提供了开源代码以便重现和扩展。

本研究解决了从生物医学研究中提取临床研究问题的科学证据这一关键问题，特别是针对冲突证据的情况。我们提出了一种新的方法URCA（统一检索集群增强），并基于新创建的数据集CochraneForest进行测试，结果显示URCA在F1分数上比现有最佳方法提高了10.3%。

谷歌的AI推动了医学、神经科学、地理科学和量子计算等领域的进步，助力个性化医疗、加速生物医学发现、提升脑部研究，并应对全球性挑战。

现有的生物医学基准缺乏整合多模态生物数据和广泛机器学习任务的端到端基础设施。本文提出PyTDC，一个开源机器学习平台，旨在简化多模态生物AI模型的训练、评估和推理。研究表明，尽管某些方法表现欠佳，但PyTDC为开发多模态、上下文感知的基础模型在生物医学AI中的应用提供了重要的研究机遇。

本研究提出了一种名为Biomed-DPT的双模态提示调优技术，旨在提升生物医学图像分类的提示学习效果。通过结合临床提示、领域适应提示和视觉提示中的零向量软提示，该方法显著提高了分类准确率。