蛋白质结合剂在疾病诊断和药物递送中至关重要。阿布扎比和硅谷的研究团队提出的新模型Prot42，仅依赖蛋白质序列生成高亲和力结合剂，显著提高了蛋白质设计的效率。

本研究解决了医疗数据中大量缺失值导致的时间序列插补问题。提出的ImputeINR方法利用隐式神经表示来学习时间序列的连续函数，从而能够在数据稀疏的情况下生成高质量的插补。实验结果显示，ImputeINR在高缺失率情况下的插补性能优于现有方法，并且提高了下游疾病诊断任务的表现。

本研究提出了一种基于人工智能的肾脏异常分割算法，旨在提高临床评估的客观性。该算法经过验证，能够在不同患者中保持高性能，从而增强肾脏疾病的评估和诊断能力。

罕见病因其患病率低和知识匮乏，常导致误诊和延迟诊断。研究者开发了多智能体对话框架（MAC），通过多个智能体协作提升诊断能力。基于GPT-4的MAC在302例罕见病的诊断中表现优于单一智能体，能够生成更丰富的诊断内容，成为医生的重要辅助工具。

本研究提出了一个农作物疾病诊断的多模态数据集（CDDM），包含137,000张图像和100万个问答对，结合视觉与文本数据，提升农业专家的诊断能力。通过低秩适应微调策略，显著提高了多模态模型在疾病诊断中的表现。

本研究解决了现有检索增强方法在评估任务难度和检索决策方面的不足，无法满足临床效率与准确性的平衡需求。提出的FIND框架通过引入细粒度自适应控制模块，根据输入的信息密度判断是否需要检索，从而优化检索过程，并在临床场景中提高可靠性。实验结果显示，FIND在三个中国电子病历数据集上明显优于多种基线方法，展示了其在临床诊断任务中的有效性。

本文提出了一种可学习的多视角对比框架（LMCF），旨在解决医学时间序列疾病诊断中的高注释成本和对比学习方法的局限性，显著提升了心肌梗死、阿尔茨海默病和帕金森病的诊断准确性与泛化能力。

近年来，英伟达和谷歌等科技巨头加大对AI医疗的投资，推动医学大模型研发，应用于疾病诊断和医学图像处理。2023-2024年间，多篇前沿论文展示了AI在糖尿病和癌症管理中的应用，显著提升医疗效率和患者体验。

医疗人工智能的发展依赖于高质量的数据集，涵盖疾病诊断、药物研发和个性化医疗等领域。本文整理了10个医学数据集，包括中医药、医学问答和推理，旨在帮助研究人员了解数据资源的特点与应用。

2012年，谢伟迪从通信领域转向计算机视觉，专注于医疗人工智能。他认为通用医疗AI系统能够整合多模态数据，促进疾病诊断。团队利用网络爬虫收集医学数据，构建多模态模型，强调知识驱动的重要性，未来将关注临床需求和基因组学研究。

近年来，英伟达和谷歌等科技巨头加大对AI医疗的投资，推动医学大模型研发，应用于疾病诊断和医学图像处理。2023-2024年间，研究者发布多项前沿论文，涉及糖尿病、癌症等疾病的AI诊断技术，显著提升医疗效率和患者体验。

研究表明，ChatGPT在疾病诊断中的准确率达到90%，远超人类医生的74%。与医生合作时，准确率为76%。OpenAI总裁强调人机合作需加强，实验结果显示AI潜力巨大。

本研究提出ClinRaGen小型语言模型，结合领域知识与时间序列电子健康记录，显著提升疾病诊断的临床推理能力。

本研究提出了一种新的跨图像与图内原型学习框架（CIPL），旨在解决多标签疾病诊断中的挑战，提升模型对复杂病灶的理解，并通过两级对齐正则化增强预测性能，实验结果显示其分类准确率达到最先进水平。

本研究针对现有医学人工智能模型在不同临床环境中的泛化能力不足问题，提出了CXRBase，一个从未标记的胸部X光影像中学习通用表示的基础模型。通过自监督学习，CXRBase能够识别有意义的模式，并经过调优后在疾病检测中表现出色，显著提升模型性能，同时减轻专家的标注工作负担，推动胸部影像的广泛临床应用。

研究首次全面评估多种大语言模型在心理健康预测中的表现，包括Alpaca、Alpaca-LoRA和GPT-3.5。实验涵盖零样本、少样本提示和指令微调。结果显示，指令微调显著提升性能，最佳模型Mental-Alpaca在精度上超越GPT-3.5，并与先进模型相媲美。研究为改进LLMs在心理健康领域的应用提供了指导。

本研究提出了一种基于提示学习框架的知识增强方法，通过整合外部知识到提示模板中，提高语言模型的理解和推理能力。实验结果表明，该方法在多个数据集上显著提升了疾病诊断的准确性和可解释性。

本研究提出了一种统一框架，通过评估多种深度学习模型，解决了基于咳嗽声音的呼吸疾病诊断方法的数据规模限制和模型性能不足的问题。实验结果显示该方法在COVID-19和慢性阻塞性肺疾病的分类任务中表现优异，其AUROC达到了92.5%。