Yale-New Haven Health System
PulseAugur coverage of Yale-New Haven Health System — every cluster mentioning Yale-New Haven Health System across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
联邦LLM框架实现隐私保护的医学数据自适应
研究人员开发了Fed-MedLoRA和Fed-MedLoRA+，这是一种新颖的参数高效联邦学习框架，旨在实现大型语言模型（LLM）在多个医疗机构之间的协作自适应。该方法通过仅传输低秩适配器来解决数据隐私和治理的挑战，与完整的模型权重相比，大大降低了通信开销。Fed-MedLoRA+通过结合自适应聚合来管理数据异质性，并采用一种应用高斯扰动于适配器更新的隐私保护变体，进一步增强了这一能力。在五个患者队列的临床信息提取任务上的评估表明，与…
-
研究揭示大型语言模型在医学领域记忆率高，存在风险
一篇新发表在arXiv上的研究调查了大型语言模型（LLMs）在多大程度上记忆医学数据。研究发现，与用于通用领域的LLMs相比，专门用于医学的LLMs的记忆现象更为普遍。这种记忆可能有利于保留医学知识，但也存在风险，例如无意中复制敏感的患者信息以及降低模型的泛化能力，可能导致误诊。该研究分析了各种适应场景，包括在医学语料库和耶鲁纽黑文健康系统（Yale New Haven Health System）的真实临床数据上进行持续预训练和微调。
-
新AI框架AegisDx提升诊断安全性和准确性
研究人员开发了AegisDx，一个旨在提高AI在临床鉴别诊断中安全性和可靠性的新框架。与目前将诊断视为单一预测的系统不同，AegisDx采用结构化的假说演绎方法。它利用具有明确角色、证据检索和验证步骤的专业AI组件，以确保考虑更广泛的潜在诊断，并特别关注识别关键的“不容错过”的病症。评估表明，与独立的LLM相比，AegisDx提高了诊断准确性和安全性评分，甚至在真实世界急诊科病例中也提高了医生评估的安全性。
-
MedPMC框架从文献中创建高保真医疗多模态数据集
研究人员开发了MedPMC，一个旨在从科学文献中创建高保真医疗多模态数据集的框架。该系统处理了PubMed Central的数百万篇文章，以整理图像-文本对，解决了现有医疗数据资源的局限性。MedPMC在各种医疗AI基准测试中表现出显著的改进，包括图像-文本分类和视觉问答，并且正在公开发布。
-
MedPMC框架为基础模型扩展医学图像-文本数据
研究人员开发了MedPMC，一个旨在系统化扩展高保真医学多模态数据以用于基础模型的框架。该自动化系统处理来自PubMed Central (PMC) 的许可文献，为医学AI创建强大的基础设施。MedPMC应用于超过610万篇文章，整理了1100万个图像-文本对，在图像和文本提取的组件评估中表现出强劲的性能。与现有的生物医学基线相比，使用MedPMC数据训练的模型在零样本AUC、医学视觉问答和形态学到图像检索方面有了显著的改进。