本研究比较了大型语言模型DeepSeek-R1与O3 Mini在慢性健康状况诊断中的表现。结果表明，DeepSeek-R1在心理健康和肿瘤学领域的表现优异，为AI驱动医疗的未来发展提供了重要见解。

本研究针对大型语言模型在放射肿瘤学应用中的能力与局限性进行了深入探讨，填补了这一领域的研究空白。通过对GPT-4在放射肿瘤学物理的100道专门题目的评估，发现GPT-4在相关领域表现出显著优越性，这为放射肿瘤学决策支持系统的未来发展提供了重要的见解。

本文介绍了多种大型语言模型在医学领域的应用与进展，包括PMC-LLaMA、Radiology-Llama2、RO-LLaMA和CancerLLM等。这些模型通过在生物医学数据上微调，提升了医学知识的注入和临床任务的性能，尤其在癌症相关任务中表现突出。研究还探讨了模型的技术创新、应用潜力及面临的挑战，如公平性和隐私保护。

综述了近 300 篇有关精准肿瘤学中多模态数据融合技术的前沿研究，总结了早期评估、诊断、预后和生物标志物发现等主要临床应用的重大成果，并深入分析了未来研究领域中的关键挑战和必要路径。

AI病理学公司Paige推出药物开发服务线；阿里巴巴与世卫组织合作推广AI癌症筛查技术；谷歌与日本签署太阳能供电协议；Atropos Health完成3300万美元融资，进军药物研发；中国气象局发布AI气象预报大模型示范计划；腾讯推出甲骨文AI协同平台。

本文探讨了多模态医学数据处理的新方法，包括语义嵌入、HEALNet架构和HAIM框架，旨在提高临床预测的准确性和效率。这些方法有效处理缺失模态，促进人工智能在医疗领域的应用。

该研究提出了一种新颖的LMM驱动的多模态人工智能，应用于放射治疗中的靶体积轮廓任务，并在乳腺癌放疗靶体积轮廓的背景下进行验证。该模型相比传统的仅视觉AI模型具有明显改进的性能，特别是在具有鲁棒泛化性能和数据效率的方面。这是第一个将临床文本信息整合到放射肿瘤学的靶体积划定中的LMM驱动多模态AI模型。