GMAI-MMBench는 다양한 의료 데이터와 과제, 부서, 지각 세부 수준을 포함하는 포괄적인 의료 AI 평가 벤치마크이다. 이를 통해 현재 의료 AI 모델의 한계를 파악하고 향후 발전 방향을 제시한다.
Lab-AI는 신뢰할 수 있는 건강 정보 소스를 활용하여 환자 맞춤형 정상 범위를 제공함으로써 임상 검사 결과 이해를 높일 수 있다.
Uni-Med는 시각 특징 추출 모듈, 커넥터-MoE 모듈, 그리고 대형 언어 모델로 구성된 새로운 의료 일반화 모델로, 다중 과제 학습에서 발생하는 갈등-시너지 문제를 효과적으로 해결한다.
의료 AI 시스템의 투명성과 사용자 이해도를 높이기 위해서는 설명가능성이 필수적이다. 이 연구에서는 의료 AI에서 '설명'이 무엇인지와 '좋은 설명'의 속성들을 규명하였다.
전문화된 LLM인 Ask Avo는 일반 목적 LLM인 ChatGPT-4에 비해 의사들의 신뢰성, 실행 가능성, 관련성, 포괄성, 사용자 친화성 측면에서 크게 향상된 사용자 경험을 제공한다.
요통 환자 교육을 위한 생성 AI 기술은 아직 임상 적용에 부족한 점이 있다.
대규모 언어 모델은 완화의료 대화의 이해, 공감, 감정, 존재감, 명확성 등의 핵심 지표를 평가하고 향상시킬 수 있다.
의료 분야에서 LLM의 사실적 정확성과 신뢰성을 높이기 위해 관련 정보를 입력으로 제공하는 문맥 검색 방법이 핵심적인 접근법으로 부상했다.
당뇨병 관리에 있어 다양한 의료 과제를 해결할 수 있는 맞춤형 대형 언어 모델의 개발
대규모 언어 모델(LLM)은 질병 진단 분야에서 점점 더 효과적인 것으로 입증되고 있다. 이 리뷰는 LLM 기반 질병 진단 연구의 전반적인 현황을 제공하고, 다양한 측면에서 이를 분석한다.