圖片摘要知識圖譜補全（KGC）旨在通過利用現(xiàn)有的三元組和文本信息來預(yù)測知識圖譜（KGs）中的缺失三元組。最近，生成式大型語言模型（LLMs）越來越多地被用于圖任務(wù)。然而，當前方法通常以文本形式編碼圖上下文，這未能充分利用LLMs在感知和推理圖結(jié)構(gòu)方面的潛力。為了解決這一限制，我們提出了DrKGC（動態(tài)子圖檢索增強的知識圖譜補全大型語言模型）。DrKGC采用一種靈活輕量級的模型訓(xùn)練策略，在KG內(nèi)學(xué)習(xí)結(jié)構(gòu)嵌入和邏輯規(guī)則。然...

?摘要：本文詳盡介紹了強生（J&J）、默克（Merck）和禮來（EliLilly）等全球制藥巨頭在人工智能（AI），尤其是生成式AI領(lǐng)域的最新應(yīng)用進展。涵蓋AI技術(shù)在藥物研發(fā)、合規(guī)、市場營銷、管理培訓(xùn)等各環(huán)節(jié)的實踐，并結(jié)合政策環(huán)境，展現(xiàn)了醫(yī)藥行業(yè)對AI賦能的前沿變革與人才培養(yǎng)模式。本文適合行業(yè)專家、醫(yī)療信息化從業(yè)者及管理層參考。隨著人工智能（AI）日益成為全球創(chuàng)新的驅(qū)動力，制藥行業(yè)的頭部企業(yè)正以前所未有的速度深度整合AI...

核心速覽多模態(tài)大型語言模型（MLLMs）在理解常見視覺元素（如風景、家居用品和公共事件）方面展現(xiàn)了令人印象深刻的能力，這主要歸功于其大規(guī)模數(shù)據(jù)集和先進的訓(xùn)練策略。然而，由于醫(yī)學(xué)場景中的數(shù)據(jù)和任務(wù)與一般領(lǐng)域存在固有差異，它們在醫(yī)學(xué)應(yīng)用中的有效性仍然有限。具體來說，現(xiàn)有的醫(yī)學(xué)MLLMs面臨以下關(guān)鍵限制：（1）對醫(yī)學(xué)知識（超出影像學(xué)范圍）的覆蓋有限；（2）由于數(shù)據(jù)策展流程不佳，容易產(chǎn)生幻覺；（3）缺乏針對復(fù)雜醫(yī)學(xué)...

摘要本綜述批判性地區(qū)分了人工智能代理和代理性人工智能，提供了一個結(jié)構(gòu)化的概念分類、應(yīng)用映射，并分析了機會與挑戰(zhàn)，以闡明它們不同的設(shè)計理念和能力。我們首先概述了搜索策略和基本定義，將人工智能代理描述為由大型語言模型和大型知識圖譜驅(qū)動和啟用的模塊化系統(tǒng)，用于特定任務(wù)的自動化。生成式人工智能被定位為提供基礎(chǔ)的前驅(qū)，人工智能代理則通過工具集成、提示工程和推理增強而發(fā)展。然后我們描述了代理性人工智能系統(tǒng)...

?引言近年來，大型語言模型（LLMs）以驚人的速度滲透到醫(yī)療領(lǐng)域，盡管它們并非原生用于臨床決策，但醫(yī)療從業(yè)者正日益依賴這些新興AI工具來輔助診療。如果AI產(chǎn)品以“臨床決策支持”為賣點，依據(jù)美國食品藥品監(jiān)督管理局（FDA）的規(guī)定，其很可能應(yīng)被視作醫(yī)療器械接受監(jiān)管。然而，現(xiàn)有法規(guī)體系遠遠未能覆蓋這一激增的應(yīng)用場景，監(jiān)管滯后于技術(shù)創(chuàng)新，潛在風險與巨大前景并存。PennLDI高級成員兼賓大醫(yī)學(xué)院助理教授GaryWeissman等人...

MALADE:OrchestrationofLLMpoweredAgentswithRAGforPharmacovigilance摘要在大型語言模型（LLMs）的時代，鑒于它們卓越的文本理解和生成能力，開發(fā)基于LLMs的新方法用于可信醫(yī)學(xué)知識的綜合、提取和總結(jié)是前所未有的機遇。本文關(guān)注藥物警戒（PhV）問題，其重要性和挑戰(zhàn)在于從多樣化的文本資源（如醫(yī)學(xué)文獻、臨床筆記和藥品標簽）中識別不良藥物事件（ADEs）。不幸的是，這一任務(wù)受到多種因素的阻礙，包括藥物和結(jié)果的術(shù)語差異，...

摘要臨床決策制定（CDM）是一個復(fù)雜、動態(tài)的過程，對醫(yī)療保健交付至關(guān)重要，然而對于人工智能系統(tǒng)而言仍是一個重大挑戰(zhàn)。盡管基于大型語言模型（LLM）的代理已經(jīng)在使用許可考試和知識問答任務(wù)的一般醫(yī)學(xué)知識上進行了測試，但由于缺乏反映實際醫(yī)療實踐的綜合測試數(shù)據(jù)集，它們在現(xiàn)實世界場景中的CDM表現(xiàn)有限。為了彌補這一差距，我們提出了MedChain，一個包含12,163個臨床案例的數(shù)據(jù)集，涵蓋臨床工作流程的五個關(guān)鍵階段。MedChain...

摘要由人工智能驅(qū)動的學(xué)習(xí)正在改變教育，要求教育者迅速掌握有效整合人工智能工具的技能，以便它們補充而非取代傳統(tǒng)教學(xué)實踐。生成式人工智能的快速發(fā)展帶來了挑戰(zhàn)，尤其是對于那些不太懂技術(shù)的教師或那些延遲學(xué)習(xí)這些工具的人，使他們面臨落后的風險。隨著學(xué)生快速適應(yīng)廣泛可用的模型如ChatGPT3.5和DeepseekR1，他們越來越多地用于學(xué)習(xí)、作業(yè)和評估。盡管已有關(guān)于教育中人工智能的討論，但缺乏實際指導(dǎo)，說明醫(yī)學(xué)教育工作者如...

摘要人工智能通過大型語言模型（LLMs）顯著改變了醫(yī)療保健領(lǐng)域，尤其在靜態(tài)醫(yī)學(xué)問答基準測試中表現(xiàn)出色。然而，由于醫(yī)患互動的復(fù)雜性，評估LLMs在現(xiàn)實世界臨床應(yīng)用的潛力仍然具有挑戰(zhàn)性。為此，我們引入了“人工智能醫(yī)院”這一多智能體框架，模擬醫(yī)生（玩家）與包括患者和檢查員在內(nèi)的非玩家角色（NPCs）之間的動態(tài)醫(yī)療互動。這種設(shè)置允許在模擬的臨床場景中更實際地評估LLMs的表現(xiàn)。我們開發(fā)了“多視圖醫(yī)療評估”（MVME）基準...

摘要雖然大型語言模型（LLMs）在診斷對話中顯示出潛力，但它們在有效管理推理方面的能力——包括疾病進展、治療反應(yīng)和安全藥物處方——仍有待進一步探索。我們通過一種新的基于LLMs的代理系統(tǒng)推進了之前展示的ArticulateMedicalIntelligenceExplorer（AMIE）的診斷能力，該系統(tǒng)針對臨床管理和對話進行了優(yōu)化，整合了對疾病演變、多次患者就診經(jīng)歷、治療反應(yīng)以及藥物處方專業(yè)能力的推理。AMIE在權(quán)威臨床知識的基礎(chǔ)上進行推理，利...

前言2025年1月9日–加利福尼亞州門洛帕克–世界上最大的開放網(wǎng)絡(luò)知識圖譜創(chuàng)建者Diffbot宣布推出其第一個大型語言模型（LLM），這是迄今為止世界上最基于事實的AI語言模型。利用Diffbot專有的知識圖譜（包括超過100億個實體和來自開放網(wǎng)絡(luò)的超過1萬億個結(jié)構(gòu)化事實），新模型在事實可靠性和領(lǐng)域覆蓋率方面超過了目前所有可用的LLM。當前前沿的LLM方法通過擴大模型的大小來減少不良響應(yīng)（又名“幻覺”），使其代表更多的訓(xùn)練數(shù)據(jù)，...

摘要EnterpriseKnowledge的首席數(shù)據(jù)和人工智能解決方案架構(gòu)師DavidHughes在1月25日2025數(shù)據(jù)日上發(fā)表了題為“釋放多模態(tài)GraphRAG的力量：集成圖像特征以獲得更深入的洞察”。在本次演講中，David通過引入多模態(tài)GraphRAG討論了GraphRAG的一個未被充分探索的維度——圖像的集成，MultimodalGraphRAG是一個將圖像數(shù)據(jù)帶到基于圖的推理和檢索前沿的創(chuàng)新框架。他演示了這種方法如何實現(xiàn)對圖像的更全面理解，從而放大洞察的深度和準確...

摘要檢索增強生成（RAG）是一種適用于檢索敏感電子健康記錄（EHR）的合適技術(shù)。它可以作為醫(yī)療副駕駛員Copilot的關(guān)鍵模塊，幫助減少醫(yī)療從業(yè)者和患者的誤診。然而，現(xiàn)有基于啟發(fā)式的醫(yī)療領(lǐng)域RAG模型的診斷準確性和特異性不足，特別是對于癥狀相似的疾病。本文提出MedRAG，一種通過知識圖譜（KG）引導(dǎo)推理提升的醫(yī)療領(lǐng)域RAG模型，根據(jù)癥狀檢索診斷和治療建議。MedRAG系統(tǒng)地構(gòu)建了一個全面的四層分級診斷知識圖譜，涵蓋各種疾病的...

摘要生成式大型語言模型（LLMs）通過實現(xiàn)快速、類人的文本生成改變了人工智能領(lǐng)域，但它們面臨挑戰(zhàn)，包括管理不準確的信息生成。諸如提示工程、檢索增強生成（RAG）以及整合特定領(lǐng)域知識圖譜（KGs）等策略旨在解決這些問題。然而，尤其是在通過WebAPI使用封閉訪問LLM的開發(fā)者中，實現(xiàn)實驗的管理、可重復(fù)性和驗證所需水平仍存在挑戰(zhàn)，這增加了與外部工具集成的復(fù)雜性。為解決這一問題，我們正在探索一種軟件架構(gòu)，通過優(yōu)先考慮靈...

摘要傳統(tǒng)的生物醫(yī)學(xué)人工智能（AI）模型，針對特定任務(wù)或模式設(shè)計，在實際應(yīng)用中往往表現(xiàn)出有限的靈活性，并且難以利用整體信息。通用型AI由于其解釋不同數(shù)據(jù)類型的能力以及為多樣化需求生成定制輸出的能力，具有解決這些限制的潛力。然而，現(xiàn)有的生物醫(yī)學(xué)通用型AI解決方案通常對研究人員、從業(yè)者和患者而言是重量級且閉源的。在這里，我們提出了BiomedGPT，第一個開源且輕量級的視覺語言基礎(chǔ)模型，旨在作為一個能夠執(zhí)行各種生物...

摘要自ChatGPT和GPT4發(fā)布以來，大型語言模型（LLMs）和多模態(tài)大型語言模型（MLLMs）因其在理解、推理和生成方面的卓越能力而受到廣泛關(guān)注，為將人工智能整合到醫(yī)學(xué)中引入了變革性范式。本調(diào)查全面概述了LLMs和MLLMs在醫(yī)學(xué)中的發(fā)展、原理、應(yīng)用場景、挑戰(zhàn)和未來方向。具體而言，它首先考察了范式轉(zhuǎn)變，追溯了從傳統(tǒng)模型到LLMs和MLLMs的轉(zhuǎn)變，并強調(diào)了這些LLMs和MLLMs在醫(yī)學(xué)應(yīng)用中的獨特優(yōu)勢。接下來，調(diào)查回顧了現(xiàn)有的醫(yī)學(xué)LLMs和...

數(shù)據(jù)是現(xiàn)代企業(yè)的命脈，為從創(chuàng)新到戰(zhàn)略決策的方方面面提供動力。然而，隨著組織積累的信息量不斷增長（從技術(shù)文檔到內(nèi)部通信），他們面臨著一項艱巨的挑戰(zhàn)：如何從海量的非結(jié)構(gòu)化數(shù)據(jù)中提取有意義的見解和可操作的結(jié)構(gòu)。檢索增強生成（RAG）已成為一種流行的解決方案，它通過集成相關(guān)的企業(yè)數(shù)據(jù)來增強AI生成的響應(yīng)。雖然傳統(tǒng)的RAG方法對簡單的查詢有效，但在解決需要推理和交叉引用的復(fù)雜、多層次問題時，往往無法滿足要求。問...