health care
PulseAugur coverage of health care — every cluster mentioning health care across labs, papers, and developer communities, ranked by signal.
- instance of Change Healthcare 90%
- used by ScienceCast 70%
- used by robotics 70%
- used by alphaXiv 70%
- uses technology 70%
- instance of alphaXiv 60%
- instance of Gotit.pub 60%
- instance of DagsHub 60%
- affiliated with finance 60%
- instance of ScienceCast 60%
- instance of finance 60%
- instance of e-commerce 60%
17 天有情绪数据
-
$OneMillion-Bench 基准测试语言代理在专家级专业任务上的表现
研究人员推出了 $OneMillion-Bench ($OMB)，这是一个旨在评估语言代理在复杂、真实世界专业场景中能力的新基准。与之前的基准不同，$OMB 包含 400 项由专家精心策划的任务，涵盖法律、金融、医疗保健和自然科学等领域，要求代理执行多步推理、使用工具并做出基于约束的决策。评估协议评估事实准确性、逻辑连贯性、实际可行性和专业合规性，旨在衡量代理在领域密集型应用方面的准备情况。
-
新方法使用合成数据进行可解释决策树的可扩展元学习
研究人员开发了一种新颖的方法，通过合成生成大规模、逼真的数据集来进行可解释决策树模型的元学习。该方法采样接近最优的决策树，与在真实世界数据上训练或使用计算成本高昂的最优树相比，显著降低了计算成本。MetaTree transformer 架构被用于证明这种合成数据生成策略的性能与传统方法相当，为在金融和医疗保健等领域创建可解释模型提供了更大的灵活性和可扩展性。
-
医疗领导者必须重新设计工作以释放AI的潜力
根据Forrester的说法，AI在医疗保健领域的潜力目前受到现有工作结构和缺乏信任的限制。要充分利用AI，医疗保健领导者必须首先重新设计运营工作流程并培养员工之间的信任。通过培训和适应来准备劳动力对于实现AI在该行业的广泛效益至关重要。
-
自动化对教学和医疗等职业的不同影响
自动化的快速发展正在影响各种职业，教师和医护人员的适应程度各不相同。虽然一些行业在整合新技术方面面临挑战，但另一些行业则找到了利用新技术来改善成果的方法。讨论强调了不同职位在不断变化的工作格局中不同的应对方式。
-
随着工具使用量的增加，医疗保健行业在人工智能验证方面面临挑战 · 跟踪2个来源
一项最新研究表明，绝大多数医疗保健组织在人工智能治理方面遇到困难，91%的组织无法验证其正在使用的人工智能工具。这种对人工智能工具可见性的缺乏已成为医疗保健领域日益增长的担忧。与此同时，人工智能在医疗保健中的作用越来越大，尽管其最终影响仍有待完全确定。
-
180B AI 模型通过 MoE 和 SSD 流式传输在游戏本上运行
VIDRAFT 发布了 POCKET-Darwin-180B，这是一款拥有 1800 亿参数的 AI 模型，专为包括游戏本在内的消费级硬件部署而设计。该模型利用稀疏专家混合（MoE）架构、SSD 流式传输和 llama.cpp 运行时，使其能够以显著降低的内存需求运行。该模型的主要用例是在无法使用基于云的 AI 解决方案的隔离网络或受监管环境中。
-
医疗保健就业岗位因拟议的报销削减而受到威胁
医疗保健行业的就业岗位，曾为美国经济增长做出显著贡献，如今正面临重大威胁。特朗普政府和共和党控制的国会提议大幅削减报销率，预计将导致该行业进行大规模裁员。
-
Mastodon 上强调了医疗保健数据中的机器学习挑战
Mastodon 上的一场讨论强调了在医疗保健领域应用机器学习的复杂性，指出输入数据直接代表潜在现象的假设在该领域通常不成立。该帖子来自一位与 Hackaday 相关联的用户，表明现实世界的医疗保健数据带来了独特的挑战，需要超越标准机器学习实践的仔细考虑。这一观点强调了在医疗领域开发和部署人工智能时需要采取细致入微的方法。
-
新型扩散模型解决不平衡数据以用于欺诈检测
研究人员推出了一种名为 Quantile-TabDDPM 的新型扩散模型，旨在解决金融科技和医疗保健等领域常见的、高度不平衡的表格数据挑战。标准的扩散模型由于其二次误差损失而难以处理偏斜数据集，因为它会忽略罕见的、关键的实例。Quantile-TabDDPM 通过在标准目标之外加入分位数损失项来增强这些模型，从而能够更好地捕捉极端值和少数类。在真实的信用卡交易数据集上的评估证明了其在欺诈检测方面的有效性。
-
播客探讨人工智能在推高医疗成本中的作用
新播客节目“人工智能正在推高医疗成本”定于2026年10月1日下午5点（美国东部时间）发布。该节目将讨论人工智能如何导致医疗费用增加，以及与隐私、安全和商业技术相关的其他主题。该播客由Switched To Linux主持，该账号通过分享与Linux、Windows、Mac、技术和替代社交媒体相关的内容来支持该平台。
-
Anthropic 的 Claude AI 目标是革新医疗保健
Anthropic 正以其 Claude AI 模型为目标，瞄准医疗保健领域，旨在革新诸如事前授权、病历分析和药物发现等领域。Claude 的集成预计将通过简化行政任务和潜在地加速医学研究及全球健康计划来影响医生和患者。
-
医疗保健AI平台必须优先考虑设计护栏而非培训，以防止PHI泄露
医疗保健技术平台必须实施强大的设计护栏，以防止员工在使用AI工具时意外泄露受保护的健康信息（PHI）。目前行业主要依赖员工培训作为首要防线是不足够的，因为AI代理可以像传统软件无法做到的那样广泛访问和移动数据。这些平台的开发者需要通过构建来优先考虑安全性，确保AI代理拥有有限的权限，实施出口控制，要求对不可逆操作进行人工授权，并在新构建时默认使用去标识化数据。
-
新的CHI-Bench基准揭示AI代理难以处理复杂的医疗工作流程
一个名为CHI-Bench的新基准已被开发出来，用于评估AI代理自动化复杂、长周期的医疗工作流程的能力。这些工作流程的特点是策略密集、多角色组合和多边交互，这使得它们对当前的AI能力构成挑战。在测试中，即使是最先进的代理也只能成功完成一小部分任务，这凸显了AI在处理这种复杂、真实的企业领域方面的能力存在重大差距。
-
人工智能和量子技术将彻底改变医疗保健和医学研究
人工智能和量子计算的融合有望彻底改变医疗保健和医学研究。这种协同作用有望在疾病的理解和治疗方式以及科学发现的步伐方面取得重大进展。
-
AssemblyAI 将 Ambient AI 记录仪从医疗领域扩展到兽医和法律领域
AssemblyAI 正在探索将其 Ambient AI 记录仪技术应用于医疗领域之外的领域，特别是兽医和法律实践。核心技术涉及被动捕获专业对话并将其转化为结构化文档。虽然捕获、说话人归属和结构化提取的基本架构保持一致，但不同垂直领域需要进行重大调整。对于兽医实践，一个关键挑战是没有会说话的病人，这需要 AI 来区分主人观察、主人结论和兽医的发现。
-
人工智能有望在2026年前革新医疗保健诊断和治疗
人工智能有望在2026年前显著改变医疗保健和医学。新兴的人工智能应用将彻底改变诊断、增强医疗治疗并优化医院运营。重点在于实际应用，包括真实案例、工具比较以及为医疗专业人员提供的可行性建议。
-
神经符号 AI 应对企业合规挑战
为金融科技、医疗保健和法律等高度监管的行业构建企业合规引擎，需要超越纯粹的概率性 AI 模型。这些行业要求零幻觉率，因为即使是微小的错误也可能导致严重的财务和法律后果。提出了一种神经符号架构，它将用于自然语言理解的神经网络与用于规则验证的确定性符号逻辑相结合。这种方法将不可信的自然语言接口与一个严格可靠、由知识图谱支持的符号层分离开来，确保绝对的真实性和可解释性。
-
人工智能在医疗保健领域的应用增加了个人成本，《纽约时报》报道
《纽约时报》的一篇报道称，人工智能正导致个人医疗保健成本上升。据报道，医院和医生正在使用人工智能技术来加强对护理的记录，从而增加了支付。这一趋势凸显了人们对人工智能在医疗保健领域应用日益增长的经济影响的担忧。
-
开发者展示用于医学成像和API分析的AI工具
两位开发者正在展示他们构建的AI工具。一位创建了一个系统，该系统使用通用视觉模型来解释MRI和CT扫描结果，并提供发现的解释。另一位则在探索MCP和REST API之间的关系，认为它们在根本上是相似的。
-
AWS 发布用于医疗保健和生命科学领域 AI 推理的开源智能体技能
AWS 发布了 38 个开源智能体技能，旨在提高医疗保健和生命科学领域 AI 智能体的推理能力。这些技能旨在解决 AI 智能体正确识别相关决策框架但应用不当的常见问题。该举措旨在提高这些关键领域的 AI 应用的准确性和可靠性。