1.大型語(yǔ)言模型中醫(yī)學(xué)推理的保真度 

Fidelity of Medical Reasoning in Large Language Models

(1)摘要：大型語(yǔ)言模型（LLM）在MedQA等醫(yī)學(xué)基準(zhǔn)測(cè)試中實(shí)現(xiàn)了近乎完美的準(zhǔn)確性，從而加速了臨床部署的呼聲。然而，一個(gè)關(guān)鍵問(wèn)題仍未解決：這些模型是通過(guò)醫(yī)療問(wèn)題進(jìn)行推理還是利用其訓(xùn)練數(shù)據(jù)中的統(tǒng)計(jì)模式？雖然像MedHELM3這樣的框架已經(jīng)將評(píng)估擴(kuò)展到臨床實(shí)踐中的醫(yī)療任務(wù)，但我們通過(guò)測(cè)試任何醫(yī)學(xué)基準(zhǔn)上的高性能是否反映了推理或模式匹配來(lái)補(bǔ)充這項(xiàng)工作。這種區(qū)別決定了系統(tǒng)在遇到不熟悉的模式時(shí)是處理新的臨床場(chǎng)景還是失敗。我們的研究評(píng)估了推理和標(biāo)準(zhǔn)法學(xué)碩士，使我們能夠測(cè)試推理能力是否提高了魯棒性。

1.開(kāi)發(fā)和驗(yàn)證可解釋機(jī)器學(xué)習(xí)模型用于膿毒癥監(jiān)測(cè)的疑似感染的回顧性識(shí)別：一項(xiàng)多中心隊(duì)列研究

Development and validation of an interpretable machine learning model for retrospective identification of suspected infection for sepsis surveillance: a multicentre cohort study

(1)背景：如何識(shí)別疑似感染以進(jìn)行膿毒癥監(jiān)測(cè)仍然是一個(gè)公認(rèn)的挑戰(zhàn)。本研究旨在通過(guò)開(kāi)發(fā)一種可解釋的機(jī)器學(xué)習(xí)（ML）模型來(lái)回顧性識(shí)別膿毒癥患者，從而將疑似感染用于膿毒癥監(jiān)測(cè)。

(2)解釋：符合快速序貫器官衰竭評(píng)估（qSOFA）≥2標(biāo)準(zhǔn)的急診科患者可以通過(guò)梯度提升算法準(zhǔn)確分類為疑似感染或未疑似感染，優(yōu)于膿毒癥監(jiān)測(cè)的常見(jiàn)疑似感染定義。將炎癥反應(yīng)納入疑似感染監(jiān)測(cè)定義可能會(huì)提高膿毒癥監(jiān)測(cè)的準(zhǔn)確性和客觀性。未來(lái)的研究需要使用其他器官功能障礙標(biāo)準(zhǔn)和國(guó)際環(huán)境來(lái)驗(yàn)證該算法。

2.使用亞洲免疫和內(nèi)皮激活宿主標(biāo)志物對(duì)兒童感染進(jìn)行風(fēng)險(xiǎn)分層（斑點(diǎn)敗血癥）：一項(xiàng)多國(guó)、前瞻性、隊(duì)列研究

Risk stratification of childhood infection using host markers of immune and endothelial activation in Asia (Spot Sepsis): a multi-country, prospective, cohort study

(1) 背景：在資源有限的社區(qū)環(huán)境中，迫切需要發(fā)熱性疾病的預(yù)后工具。循環(huán)免疫和內(nèi)皮激活標(biāo)志物對(duì)常見(jiàn)兒童感染的風(fēng)險(xiǎn)進(jìn)行分層。我們旨在評(píng)估它們?cè)趤喼揶r(nóng)村社區(qū)出現(xiàn)的發(fā)熱性疾病兒童中的使用情況。

解釋：sTREM1在區(qū)分將發(fā)展為嚴(yán)重發(fā)熱性疾病的兒童方面顯示出最佳的預(yù)后準(zhǔn)確性。在資源受限的社區(qū)環(huán)境中，基于sTREM1的分診策略可能會(huì)增強(qiáng)對(duì)發(fā)熱性疾病兒童不良結(jié)果風(fēng)險(xiǎn)的早期識(shí)別。

1.DeepISLES：來(lái)自ISLES'22挑戰(zhàn)的經(jīng)過(guò)臨床驗(yàn)證的缺血性中風(fēng)分割模型

DeepISLES: a clinically validated ischemic stroke segmentation model from the ISLES'22 challenge

(1)摘要：彌散加權(quán)磁共振成像（DWI-MRI）對(duì)于診斷和管理缺血性中風(fēng)至關(guān)重要，但圖像和疾病表現(xiàn)的可變性限制了人工智能（AI）算法的通用性。我們展示了DeepISLES——一種強(qiáng)大的集成算法，由我們組織的2022年缺血性中風(fēng)病變分割挑戰(zhàn)賽的頂級(jí)提交材料開(kāi)發(fā)而成。通過(guò)結(jié)合領(lǐng)先研究小組表現(xiàn)最佳的方法的優(yōu)勢(shì)，其在檢測(cè)和分割缺血性病變方面實(shí)現(xiàn)了卓越的準(zhǔn)確性，在不同的軸上都可以很好地泛化。對(duì)大型外部數(shù)據(jù)集（N=1685）的驗(yàn)證證實(shí)了其穩(wěn)健性，在戴斯相似系數(shù)（Dice）分?jǐn)?shù)上比以前的最先進(jìn)模型高出7.4%，在F1分?jǐn)?shù)（F1 Score）上比以前最先進(jìn)的模型高出12.6%。它還擅長(zhǎng)提取臨床生物標(biāo)志物，并與臨床中風(fēng)評(píng)分密切相關(guān)，與專家表現(xiàn)密切匹配。神經(jīng)放射科醫(yī)生更喜歡DeepISLES的分割，而不是類圖靈測(cè)試中的手動(dòng)注釋。我們的工作展示了 DeepISLES的臨床相關(guān)性，并強(qiáng)調(diào)了生物醫(yī)學(xué)挑戰(zhàn)在開(kāi)發(fā)現(xiàn)實(shí)世界、可通用的人工智能工具方面的價(jià)值。DeepISLES 在https://github.com/ezequieldlrosa/DeepIsles免費(fèi)獲得。