人工智能技术在心血管危急重症中的应用、挑战与展望

心血管危急重症病程演变迅速,且常伴随高死亡率,给公共卫生带来了严峻挑战。传统诊疗手段存在预警准确率不够理想、个体化治疗难以实现等局限性。随着大数据和人工智能技术的发展,医学人工智能模型在心血管疾病的诊疗过程中展现出巨大潜力。该文分析了心血管危急重症的特点,回顾了人工智能在心血管危急重症预警、诊断、治疗、预后预测中的应用,探讨了大语言模型在心血管危急重症领域的应用前景。

用于胸部X光片长尾分布多标签分类的双路注意力分类头研究

目的根据注意力机制,创新设计出合适的分类头,应对传统多标签分类方法对长尾尾部标签分类效果较差的问题。方法本文提出了一种新的分类头结构(双路注意力分类头,Dual-Attention Head,DAH),一路使用嵌入维度的注意力机制,一路使用子图维度的注意力机制,进而整合特征层面和样本层面的交互信息,提高模型进行多标签分类时对尾部标签的分类效果以及全类平均精度(mean Average Precision,mAP)。本文还对比不同图像预处理方法,进而分析图像分辨率及空间关系对多标签分类结果的影响,对比不同结构的图像编码器,分析更适合多标签分类的图像编码器。结果通过引入DAH作为分类头,相比使用多标签解码器(ML-Decoder),mAP从0.2698提高到0.2904,其中对尾部标签的平均精度(Average Precision,AP)从0.1511提高到0.2306。结论DAH结合嵌入维度和子图维度的注意力机制,使得模型进一步平衡长尾分布的多标签分类任务中尾部标签的分类效果,相比ML-Decoder,进一步改善了长尾分布中的不平衡问题,其中使用的嵌入维度的注意力机制为分类头中注意力的引入方式提供了新的思路。此外,本研究发现直接输入高分辨率的胸部X光片相比减小图片分辨率和分割子图两种方法更加适配于使用DAH进行多标签分类的场景。

大语言模型基本医学能力及其在脑血管病等临床应用上的研究进展

近年来,大语言模型在通用领域涌现出了惊人的智慧能力,并快速在各行业得到了广泛而有效的应用。然而,临床医学领域由于专业性强、场景复杂,大语言模型能否提供准确、可靠、高效的医疗服务,目前还没有形成一致性的结论。本研究从以下几个方面对大语言模型在临床医学中的研究进展进行综述:医学知识和基本医学能力评测情况;临床场景特定能力方面的研究进展;脑血管病等临床疾病及相关临床应用方面的研究进展。

DRG/DIP支付方式改革成效量化分析——以监测点和代表地市为例

目的:量化评估DRG/DIP支付方式改革对医疗服务效能和医疗费用管理的影响。方法:基于邯郸、上饶、邵阳和东营四个监测点的医保结算数据以及南京、大同、安阳和宿迁等代表城市的医疗全病历数据,进行描述性统计分析。结果:在医疗服务效能方面,CMI平均提升0.1,平均住院日和CMI标化次均住院日分别下降0.7日和0.9日;在医疗费用管理方面,次均住院费用平均下降3.24%,且费用结构趋向更加合理,药品、耗材占比有所下降,医疗服务费用占比逐步提升。医疗机构整体达到医保基金收支平衡,不同科室有所差异。结论:DRG/DIP支付方式改革对医疗机构的服务效能和费用管理均有所改善。建议强化医疗机构在按病组付费模式下的全局统筹管理模式,提高整体运营效益。

从“尺度定律”观察AI发展

尽管人工智能技术在许多领域展现出巨大潜力,但实际的商业化进程和盈利模式仍在探索中。例如,A1虽然在智能穿戴、智能家居等领域取得进步,但距离大规模商业化应用仍有提升空间。目前来看,AI技术,尤其是模型训练和推理的资金投人速度已经远超市场需求的增长速度。许多企业在追逐技术前沿的过程中,忽略了市场的实际需求。这种“技术推动”模式容易导致供过于求的局面,进而产生泡沫。