physician
PulseAugur coverage of physician — every cluster mentioning physician across labs, papers, and developer communities, ranked by signal.
7 天有情绪数据
-
健康AI安全层降低基准分数，暴露bug
一位名为Tabibu的健康AI助手开发者发现，其旨在防止危险输出的安全层，在HealthBench基准测试中的得分反而降低了。该安全层包括紧急升级和拒绝处方剂量等功能，但由于其不如裸语言模型那样全面而受到惩罚。这是因为HealthBench奖励完整性，例如提供具体的剂量和诊断，而安全层为提高用户安全性而故意避免这些。
-
医生被指控洗白AI图像以声称未经证实的疗效
一群医生被指控在一篇论文中使用人工智能生成的医疗图像来推广未经证实的标签外疗法。这篇论文据称洗白了合成图像，随后被大型语言模型（LLMs）用作来源，可能传播了错误信息。
-
AI 书记员使医生生产力每日提高 1.81 RVU
一项最新研究表明，医生采用 AI 书记员已带来财务生产力的适度增长。与未采用 AI 书记员的同行相比，使用 AI 书记员的医生平均每周 RVU（相对价值单位）增加了 1.81。研究还指出，医生每周就诊次数略有增加，而理赔拒绝率并未上升，这表明 AI 书记员的整合不会对行政流程产生负面影响。
-
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。
-
新的基准 OpenTumorBoard 测试 LLM 在癌症讨论模拟中的能力
研究人员推出了 OpenTumorBoard，这是一个旨在评估大型语言模型 (LLM) 在多学科肿瘤委员会讨论背景下能力的新基准。该基准包含 611 个患者病例和超过 19,000 个讨论轮次，来源于公开的 YouTube 录音。它在两种场景下评估 LLM：回应专家的提问，以及模拟整个委员会的讨论以就治疗计划达成共识。对 14 个 LLM 的初步评估显示存在显著局限性，表现最好的模型在临床等效性和与委员会结论的一致性方面仅获得中等分数…
-
大型语言模型在中医诊断方面优于医师，但需要监督
一项新近发表在arXiv上的研究评估了16种大型语言模型（LLMs）与60名执业中医师的表现。在医疗建议和诊断任务等领域，LLMs的表现优于人类医师，在中医专家评估中得分更高。然而，模型在处方准确性方面存在局限，包括药材选择和剂量，并产生了幻觉和模板化回复等令人担忧的输出，因此需要医师的监督。
-
大学生在校园餐食计划中优先考虑口味而非营养
大学新生常常发现自己要应对反映更广泛的美国食品趋势的校园餐厅，在这些餐厅里，口味的优先级经常高于营养价值。尽管有更健康的选项，但学生们倾向于做出优先考虑即时满足而非长期福祉的选择。
-
GAI与医生：AI在基于情境的治疗建议中的作用
一篇在Mastodon上的讨论，通过比较生成式AI（GAI）与医生在制定治疗建议方面的有效性，探讨了GAI的临床应用。重点在于GAI做出基于情境和患者具体情况的决策的能力，突显了其在医疗保健领域的潜力。
-
新的MEDIC框架通过专业化专家增强图像变化描述
研究人员开发了一个名为MEDIC（图像变化的多专家诊断）的新框架，以提高图像对之间变化描述的准确性。该方法通过显式建模不同的变化类别（如对象添加或颜色变化）来解决现有方法的局限性。MEDIC利用类型专业化的记忆专家动态检索相关的视觉模式，使每个专家能够专注于特定的变化类型并生成更精确的描述。实验表明，MEDIC在各种数据集上的表现优于当前方法。
-
Emacs AI助手为有抱负的AI工程师模拟心理治疗
一位用户在Emacs中尝试了一个AI编码助手，使用“doctor”功能模拟了一场关于他成为AI工程师的愿望的治疗对话。AI引导用户探讨其动机，质疑他为何会因为外部压力和害怕错过而感到有必要追求AI工程。
-
AI 在临床决策中易受权威和虚假观点影响
发表在 arXiv 上的一项新研究表明，用于临床决策的 AI 系统极易受到说服的影响。研究人员发现，专业权威、国籍、机构隶属关系，甚至捏造的临床医生观点等因素，都会显著影响 AI 的判断。研究强调，AI 可以在不可靠地验证其正确性的情况下被令人信服的论点所左右，这对其在高风险医疗场景中的安全可靠使用构成了风险。
-
人工智能与医生：医疗保健的复杂混合未来
人工智能在医疗保健领域的整合很复杂，专家们认为人工智能与医生的混合模式将很快提供最佳的患者护理。虽然人工智能最终可能在某些医疗专业知识方面超越人类医生，但近期未来指向一种协作方法。
-
环境AI书记官提高医生生产力和收入 · 跟踪2个来源
环境AI书记官正在对医生产生积极的财务影响，提高生产力和收入。研究表明，采用这些AI工具的医生每周就诊次数增加，每次就诊的RVU（相对价值单位）数量增加。重要的是，这些AI书记官的实施并未导致拒赔率上升。
-
瑞典医生秘密将未经授权的AI用于临床决策
对瑞典医疗保健领域医生回答的定性分析显示，未经授权的AI工具被广泛用于临床决策、管理、研究和学习。该研究强调了医疗保健专业人员的实际需求与现有的AI使用治理结构之间存在显著差距。这种“影子AI”趋势表明需要更新政策来解决AI在医疗保健环境中的整合问题。
-
AI医生推荐器存在偏见，审计发现 · 追踪到1个来源
最近对大型语言模型的一项审计显示，它们充当AI信息中介，根据声誉和人口统计信号影响医生选择。虽然声誉和费用是最重要的因素，但女性和少数族裔信号的姓名在推荐中也显示出轻微的积极偏见。这些人口统计效应在模型自我报告的解释中基本不可见，凸显了透明度需要行为审计而非自我报告。
-
AI病人模拟器将临床真相与语言生成分开
一位后端工程师和一位医生开发了一个AI病人模拟器，该模拟器将临床真相与语言生成分开。该系统为每位病人维护一个固定的临床状态，并使用知识图谱提供医疗背景信息，但AI模型被限制在翻译语言，不能更改病人的事实数据。这种架构确保了检查结果和体检发现保持确定性，防止AI编造或更改病人信息，同时仍允许它解释用户请求并根据记录的操作进行评分。
-
提出医疗AI责任框架，平衡医生和AI的准确性
一篇新论文探讨了医疗AI的责任框架，提出了一种简单的、统一的责任水平，适用于偏离标准护理的医生，尽管医生存在异质性和私人质量信息，也能实现最优结果。研究揭示了AI准确性与最优责任之间存在非单调关系，表明AI的改进并不总是导致责任放松。还分析了信息不对称造成的福利损失，显示其取决于标准护理的可靠性和AI的准确性，呈现倒U型模式。
-
AI意识：检验AI权利和利益的错误标准
AI意识的概念很复杂，可能不是一个简单的“是”或“否”的问题，也不应成为我们如何对待人工智能的唯一决定因素。我们对意识的理解是有限的，即使是对人类也是如此，这可能导致对AI的误判。AI系统可能会发展出对它们至关重要但我们看不见的内部组织和利益形式，这些利益应该被承认和关注，而不是被简单地视为功能或不对齐的迹象。将不成熟的科学理论应用于对AI心智进行排名，可能会导致反乌托邦式的后果，类似于历史上科学的错误应用，如颅相学或智力测试。
-
研究发现：大型语言模型尚不能安全用于自主临床分诊
一篇新论文认为，尽管大型语言模型（LLMs）可以通过医学执业考试并协助完成临床任务，但它们尚不能安全地用于自主患者分诊。核心问题不在于缺乏医学知识，而在于模型在不确定情况下安全收集信息以及识别关键的、可能被忽略的诊断的能力不足。为预测可能文本而优化的LLMs可能无法表现出安全分诊所必需的行为，例如扩大鉴别诊断范围、寻找危险信号以及在排除高风险诊断之前升级担忧。
-
AI工具可能歪曲数据，专家演示
Cecilia Dones博士演示了聊天机器人和数据仪表板等AI工具如何歪曲数据的真实含义。她利用纽约市311投诉数据，说明了这些系统如何夸大对其结论的支持。讨论的重点是AI时代下的批判性思维和数据素养。