arXiv 上的新论文 FM-Recon,把冻结的基础模型编码器特征塞进 MRI 重建网络,在 CMRxRecon2023 数据集上验证了中等加速倍数下效果更好。做医学影像重建的可以看看它怎么整合特征。
AI in Health and Life Sciences
给牙科影像团队看的:研究者用 CT 体数据模拟摆位错误造训练对,五种模型里 U-Net 和误差条件化方案表现最好,能直接在已有片子上纠正而不是让患者重拍,省剂量也省时间。
搞智能家居或端侧部署的开发者值得看这篇。它把散落的研究整理成一套架构模块和评估维度,还点破了两个常见误区:本地部署不等于更安全,虚拟环境基准测不出真实家庭表现。
做医疗方向微调的可以看看,论文给了具体的双层数据筛选做法,在 Llama 和 Qwen 上安全率比最强基线高出 4.64 和 3.00 个百分点,还提供了能力与安全之间的权重调节手段,不用全量人工标注也能控风险。
斯坦福微生物学团队嫌调 OpenAI 模型太贵,由此长出了 Noeri,现在拿了 Menlo Ventures 领投的 1.1 亿美元。做科研或高频调用模型 API 的团队可以关注它的省钱思路。
医疗账单看不懂、比价难的问题,这篇论文用GPT加BM25混合检索直接从医院公布的价目表算价格,单项误差降到19%左右,比不用RAG的版本低了一个数量级。做RAG落地的开发者可以看看它的失败案例分析。
做药物发现或图神经网络的人可以看看这篇。它把药物相似性、蛋白相似性网络和 RGCN 结合起来预测药物-靶点相互作用,还用 DistMult 和 ComplEx 做解码器,代码开源了,可以直接跑数据对比效果。
医疗文本抽取这块,Tev1 4B 在本地硬件上跑病理报告,速度是 Qwen3.5 9B 的四倍,准确率持平,概率还能当置信度用来决定哪些答案送 GLM-5.3-flash 复核。做医疗信息抽取或本地部署的开发者可以看看它的失败模式分析。
医生只听声音就能在喉镜前初筛喉部病变,这篇研究用 32 名医生、800 次配对评估量化了收益和风险:癌前病变检出敏感度从 53.9% 涨到 75.0%,但模型出错时医生也会被带偏。做医疗 AI 的开发者值得看看这套评估卡设计和读者研究方法。
Nvidia 把模型和数据集都放上了 Hugging Face,做分子或蛋白质研究的朋友可以直接下载来用,省了自己找数据训练的功夫,搞计算生物的可以关注一下。
Qwen、Kimi 这些你常用的国产模型,现在训练时都主动砍掉了攻击性网络能力,代价是漏洞利用基准掉了约 10 分。结合商务部要把恶意代码生成技术列入出口管制,搞安全和部署开源模型的都该看看。
一篇把关节刚度和阻尼变成强化学习动作空间的研究,解决了固定增益 PD 在模仿动作时对不上接触力的老问题。129 人、六种活动的数据验证,还能零样本迁移到人形机器人。做仿真、人形控制或动捕动画的值得细看。
这篇论文做了个挺扎心的实验:让模型在多轮问诊后下诊断,结果没有选项时准确率从 76.9% 掉到 57.0%,而且一句“医生说的”错误意见就能让它推翻自己的正确判断。做医疗 AI 产品或评估的人应该看看这套测试设计。
做计算病理的人该看看这篇:它用 BRACS 和四种病理基础模型拆出了失效根源——不是模型不行,是切片级标签只有 39% 对得上病灶。病灶级标签训练就能救回来,方法可直接搬到自己的分诊流水线。
做医疗 AI 的开发者该看看这篇。它用 PrimeKG 574 种药物证明模型答禁忌症近乎瞎猜,原因是语料里写得少,而且检索 FDA 标签就能把准确率拉高 15.8 个点。结论很实操:安全问题别靠通用语料,直接接结构化数据库。
做门诊行政自动化的两家公司合并了:Credo 擅长诊前自动调病历,Affineon 擅长接管 EHR 收件箱消息。拼起来直接对标医生每天下班后还要回消息的痛点,承诺每月给每位医生省 40 小时。做医疗 AI 产品或 clinic 运营的人可以看看这个整合思路。
两位科学家做了个只有四个神经元的模拟小生物,你能亲眼看到它靠奖励和惩罚从两千多种接法里学会追光、逃跑甚至装死。可视化做得特别直观,想搞懂强化学习和大脑学习机制的人别错过。
卒中救治分秒必争,但会做介入手术的医生大多在大城市。Remedy Robotics 拿了 DCVC 领投的 6200 万美元,做的 N1 系统让医生远程给基层医院患者做取栓手术,手里还有 48 项专利。做医疗机器人或者远程医疗的从业者应该看看。
UC Berkeley 出来的 Knit Health 拿了 NEA 领投的 3500 万美元,还发了 Med-BEAM。它学的不是病历文字,而是数亿次真实诊疗决策的时序,做患者轨迹预测,方向和文本类医疗模型很不一样。做医疗 AI 的人可以看看这条路能不能落地。
Apple 拉上 OpenEvidence 做健康聊天应用,OpenEvidence 是医生圈里很火的循证问答工具,现在想让普通人也能查健康问题。做医疗 AI 或者健康类产品的开发者应该盯一下,这是两大公司往消费端健康对话走的信号。
OpenAI 把 ChatGPT 塞进了医院的工作流:智能体能直接操作 EHR 界面做收件箱分诊,不用等厂商开 API。GPT-6 Astra 在医生设计的评估里跑通了多步骤任务,临床安全基准到 99%。做医疗 IT 集成或医院数字化的都该看看,这可能改变和 Epic 这类厂商的合作逻辑。
OpenAI 把 ChatGPT 塞进了医院和保险公司的日常流程:智能体能替人操作系统,20+ 插件对接 Abridge、Cigna 这些机构。做医疗信息化或流程自动化的团队该看看它替代了哪些 RPA 场景。
npj Digital Medicine 上的一篇方法论文,把 PDCA 循环拆成四步再配上双链思维,专门管住大模型写病历和问诊的质量。医院信息化团队和做医疗 Agent 的开发者可以看看这套流程拆解思路。
Nature Medicine 刊发的开源 AI 科研助手,用多个智能体分工跑文献检索、假设生成和实验设计,代码全公开可以自己部署审查。做生物医学研究或想在自家机构搭科研工作流的团队可以直接上手看实现。
别人还在卷编程分数,Moonshot AI 决定让 Kimi 去做生物、化学和制药研究。如果你在关注国产模型走差异化路线,或者做科研类 AI 应用,这篇能帮你看清 Kimi 下一阶段的方向。
医疗机构的AI预算一年翻倍,钱主要花在帮医生写病历的临床副驾驶和接电话排号的前台自动化上。这说明医疗AI开始真金白银落地了,做医疗方向产品的开发者可以看看哪些环节已经有人愿意付费。
August 把 AI 智能体用在了打电话预约医生这件实际事上,还能办保险理赔和处方续药,用户能看到完整通话记录。比一般的健康问答产品更进一步,直接替你跑腿,经常要陪家人看病的人会很需要。
搞医疗影像的朋友可以看看,12000多例颅脑CT的TBI数据集免费开放,训练出血检测或损伤分级模型不用再愁没数据,规模比之前那些几百例的公开集大了一个量级,做基准复现也方便。
npj Digital Medicine 上的新研究,用可解释 AI 把常规痛风临床分型对接到多组学数据和长期健康结局。做医疗 AI 或组学研究的人可以看看它怎么把黑箱模型做成可解释的表型-分子映射。
Accel 和 Peak XV 投了 1200 万美元给 August,这个 AI 会替你打电话挂号、盯保险理赔。过去几周它替用户排队等了 24,286 分钟,帮一人省下 1,255 美元理赔款。被看病流程折磨过的人都能理解它的价值。
Santiago 在 X 上介绍了一个叫 August AI 的医疗智能体,能帮你找医保网络内的医生、管处方和预约复诊。美国就医流程出了名的乱,这种垂直场景的 Agent 比通用助手更实用,做医疗方向产品的可以看看思路。
做客服或接线自动化的团队可以看看这个案例:Fish Audio 语音撑起的 AI 接线员,一个月替家庭诊所接了 4,714 通电话、省下 190 个工时。相比通用语音客服方案,它讲的是小型诊所这种具体场景怎么跑通。
诺和诺德把数百万份受控生产文档接进 Amazon Bedrock AgentCore,用 Neptune 知识图谱加 OpenSearch 混合检索做 GraphRAG,答案带引用可审计。做企业知识库的工程师可以参考这套架构,监管严格的行业尤其适用。
Scale AI 这次没做问诊模型,而是瞄准医院行政和协调这类琐碎工作,出了五个专用智能体。相比 Abridge、Epic 主攻医疗文档,它从运营侧绕开了临床高风险场景,做医院管理或医疗科技的人可以看看切入点选得怎么样。
Security audits of cryptographic libraries have long been bottlenecked by scarce formal-methods experts; if proof agents compress that to weeks, the practice could spread to codebases beyond Signal. Teams maintaining TLS implementations, messaging apps, or open-source crypto should watch how the workflow is packaged and whether proofs can be reproduced on their own code. Biology and lab-automation groups get a complementary signal about anomaly detection from raw notebooks.
Sequoia 和 Accel 投的 August 已经服务 950 万用户,它会替你打电话约医生、对比 GoodRx 药价、跟保险公司掰扯拒赔账单,还给你通话录音。做 AI 电话智能体的团队可以研究它的场景切入,在美的朋友更是能直接用。
Google Cloud 自己的人出来承认医疗 AI 卡在试点阶段,说明问题不是模型不行,而是合规、集成和成本这些脏活没人干。做医疗信息化或 B 端 AI 生意的人应该看看,别只盯着演示效果立项。
DeepMind 一口气发了 7 个东西:Gemini 4 Carbon/Hydrogen 两个新模型、决策类 Decisions API、可自托管的智能体沙箱,还有 Robotics 2.5 和 AlphaGenome 2。想在自有环境跑智能体的团队应该重点看自托管沙箱,这在同类厂商里不多见。
Apple 拉上 OpenEvidence 这个临床引用型搜索平台,专门研究用户为什么信/不信健康 AI 的回答。这等于 Apple 在为进入健康问答场景铺路,做医疗 AI 产品的人可以关注他们定义的评估维度。
Apple 的健康 AI 团队找上 OpenEvidence 做研究,一个手里有海量用户健康数据,一个擅长医学文献检索,两边凑一起挺有意思。做健康类产品或关心数据打通方式的人可以点进去看看原推和研究链接。