SNOMED CT
PulseAugur coverage of SNOMED CT — every cluster mentioning SNOMED CT across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
可边缘部署的AI使用小型语言模型构建放射学报告
研究人员开发了MedPAO-Assist，这是一个代理AI框架，旨在直接从放射科医生的口述中构建放射学报告。该系统因其边缘部署能力而备受关注，仅需最少的资源（3.3 GB RAM），即可在标准笔记本电脑CPU上离线运行，平均延迟为31秒。它支持多种成像模态，并使用了一个约0.6亿参数的小型语言模型（SLM），使其成为临床环境中一个潜在的易于使用的解决方案。
-
LLM 评估器在实体对齐评估中表现出锚定偏见
Vaibhav Alakshmi Ravideshik 的一项新研究探讨了使用大型语言模型 (LLM) 作为评估实体对齐 (EA) 系统的评估器的可靠性。研究发现，LLM 评估器可能表现出“锚定偏见”，即当决策标签可见时，其性能会下降。无标签协议显著提高了评估器的可靠性，尤其是在生物医学数据集上。研究还观察到一个悖论，即能力更强的 LLM 对标签暴露的敏感性更高。
-
新本体旨在统一危机管理知识表示
研究人员开发了欧洲危机管理本体（ECMO），这是一个基于OWL的模块化本体，用于跨部门危机管理和灾害风险降低。ECMO-CORE建立了诸如危害、影响和响应等基本概念，还包括特定领域的模块，例如一个与SNOMED CT和ICD-11对齐的公共卫生模块。该本体用于表示来自“开源疫情情报”系统的数据，证明了其支持危机响应一致知识表示和集成的能力。
-
新基准改进了从临床文本中推荐SNOMED CT概念
研究人员开发了一个新的基准，用于从掩码临床上下文中推荐SNOMED CT概念，旨在提高临床语言的标准化和互操作性。该研究使用了源自MIMIC-IV-Note的SNOMED CT实体链接挑战v1.2.1数据集，并测试了各种推荐方法。稀疏TF-IDF被证明是最有效的方法，实现了14.81%的Recall@1和33.43%的Recall@10。研究结果强调，概念频率和局部词汇上下文的覆盖范围对推荐质量有显著影响，尤其是在低资源场景下。
-
新型关系超图Transformer增强多表学习
研究人员推出了一种新颖的Relational Hypergraph Transformer (RHT)架构，旨在解决多表学习的复杂性，尤其是在医疗保健数据中。RHT将关系数据库表示为超图，并通过稀疏关系注意力机制学习五维嵌入（PentE）。该方法通过将计算复杂度与平均关系度成正比而非实体数量的平方成正比，实现了计算可扩展性。在合成电子健康记录数据集上的评估表明，与传统基线相比，RHT产生的语义更连贯的嵌入，尽管在一次基准测试中XGBo…
-
英国开发国家级电子健康记录生成式AI模型以预测疫情
一篇新研究论文详细介绍了Foresight-England的开发过程，这是一个大规模生成式AI模型，旨在预测COVID-19疫情背景下的电子健康记录（EHR）中的医疗事件。该模型是一个包含2.43亿个参数的Transformer解码器模型，使用了约6100万人的EHR数据进行训练。尽管该项目旨在评估疫情的影响并推广到未来数据，但NHS England已暂停数据访问，阻止了量化结果的发布。因此，该论文作为一种方法论模板，概述了构建人群规…
-
新的Moose方法增强了OWL 2 EL本体的神经符号学习
研究人员开发了Moose，一种新颖的神经符号学习方法，专为OWL 2 EL配置文件设计，该配置文件用于大型本体，如Gene Ontology和SNOMED CT。与处理命题理论或Datalog的先前方法不同，Moose解决了本体设置中的推理捷径意识问题。该方法将OWL EL TBoxes和ABoxes编译成Sentential Decision Diagrams，实现了可微分的加权模型计数，并通过闭包子句克服了部分监督的表达能力限制。…
-
大型语言模型尽管具备理论知识，但在应用认知行为疗法原则方面仍显不足
一篇新研究论文探讨了大型语言模型（LLMs）在将认知行为疗法（CBT）原则应用于情感推理方面的局限性。尽管大型语言模型展示了对CBT的理论知识，但它们难以超越简单的验证和反思，未能有效实施苏格拉底式提问或提供替代视角等技术。研究人员开发了一个使用Beck的认知概念化结构和SNOMED CT概念的框架，并采用多重思维链（MCoT）策略来指导大型语言模型的响应。然而，即使采用了MCoT，模型也只表现出微小的行为改变，仍然偏向于验证和反思，…
-
机器学习辅助心脏病学电子健康记录术语提取
研究人员开发了一种机器学习技术，用于创建心脏病学接口术语（CIT），以更好地突出电子健康记录（EHRs）中的细节。该方法包括三个阶段：首先从现有的心脏病学术语和电子健康记录中提取训练数据。然后，在此数据上训练机器学习模型，以识别和提取更多概念，最终生成最终的CIT，从而突出心脏病学患者记录中的关键信息。该系统在未见过的数据集上实现了74.21%的覆盖率和98.2%的平均完整性。
-
基于模式的LLM提取患者数据用于数字孪生
研究人员开发了SG-LLM，一种从电子健康记录中提取患者数据以创建数字孪生的新方法。该方法使用模式约束和用于修复的验证循环来约束LLM提取，提高了生成的FHIR包的准确性和有效性。对临床效用的实验表明，在SG-LLM生成的数据上训练的分类器与在专家策划的数据上训练的分类器表现相当，表明其在实际医疗保健应用中的有效性。
-
新架构将放射学报告发现与证据联系起来
研究人员提出了一个新的结构化放射学报告参考架构，该架构将证据直接链接到报告内容。这个人工监督的系统旨在提取和组织结构化信息，例如测量值和病灶标识，这些信息通常在自由文本中丢失或分散在各种系统中。该框架集成了考试特定模板、AI辅助起草和互操作性标准，以支持审查报告、纵向比较以及与企业影像工作流程的集成。
-
LongBEL框架通过文档上下文改进生物医学实体链接
研究人员开发了LongBEL，一个考虑整个文档上下文而非仅单个提及或句子的生物医学实体链接新框架。该方法旨在通过识别文档内提及之间的依赖关系并减少级联错误来提高一致性。LongBEL的有效性在五项多语言生物医学基准测试中得到证明，与现有的句子级方法相比，在处理重复概念方面显示出显著的改进。
-
新的MCP服务器集成了7种医学术语，用于LLM
一个名为medical-terminologies-mcp的新模型上下文协议（MCP）服务器已发布，它提供了对七个主要医学术语系统的统一访问。该工具旨在帮助大型语言模型（LLM）准确检索特定的医疗代码和信息，克服它们在记忆此类数据方面的固有局限性。该服务器支持各种LLM客户端，并为常见的临床和研究任务提供了几个预定义的提示，旨在提高医疗保健和研究领域的效率。
-
神经符号AI的进步提供了超越纯神经网络的可解释性和推理能力
研究人员正在开发神经符号AI模型，将神经网络与符号推理相结合，以提高可解释性和性能。Gyan是一种新颖的非Transformer架构，旨在通过将语言建模与知识获取分离并取得最先进的成果来克服当前LLM的局限性。另一种方法由UFAL-CUNI为SemEval-2026 Task 11展示，它使用了一个包含小型LLM和用于三段论推理的符号证明器的模块化系统，其性能优于零样本基线。此外，NEURON是一个专为临床可解释性设计的神经符号系统，…