Ontology-based knowledge representation for bone disease diagnosis: a foundation for safe and sustainable medical artificial intelligence systems
University of Science, VNUHCM(胡志明市国家大学科学大学);Viet Nam National University, Ho Chi Minh City(越南国家大学胡志明市分校);Ho Chi Minh City Hospital for Traumatology and Orthopedics(胡志明市创伤与骨科医院)
本文提出一个基于本体的骨病诊断框架,通过本体引导的分层神经网络、本体增强VQA和多模态深度学习整合影像、临床与实验室数据,为安全可持续的医学AI奠定理论基础。
2025-06-05 cs.AI cs.CV eess.IV
Medical diagnosis as pattern recognition in a framework of information compression by multiple alignment, unification and search
本文描述了一种新的方法,医疗诊断的基础上SP理论的计算和认知。这种方法的主要吸引力是:一种简单直观的疾病表示格式;能够处理诊断信息中的错误和不确定性;将统计信息存储为疾病发生频率的简单性;评估产生真实概率的替代诊断假设的方法;以及一个框架,应该促进医学知识的无监督学习,以及医学诊断与其他人工智能应用的整合。
2014-09-29 cs.AI
Rule Based Expert System for Cerebral Palsy Diagnosis
Dibrugarh University Institute of Engineering and Technology(迪布鲁加尔大学工程技术学院)
人工智能的使用不仅在核心计算机领域,而且在包括医学诊断在内的跨学科领域都很突出。本文介绍了一个用于脑性瘫痪诊断的基于规则的专家系统。专家系统接受用户输入,并根据患者的症状诊断患者是否患有脑瘫。专家系统还根据所呈现的症状将脑瘫分类为轻度、中度或重度。
2012-06-30 cs.AI
Auditing Evidence Use in Medical LLM Diagnosis
University of Electronic Science and Technology of China(电子科技大学)
研究医学大语言模型诊断时证据使用情况,通过分解患者信息为证据单元等方法审计,在多个数据集上评估五个模型,发现准确性可能掩盖证据使用问题,结果促使对医学大语言模型评估进行角色感知审计。
2026-07-24 cs.AI
A Review: Expert System for Diagnosis of Myocardial Infarction
DKASC College(DKASC学院);SIBER
在一个狭窄的问题领域中能够以人类专家水平执行的计算机程序被称为专家系统。不确定性管理是专家系统设计中的一个重要问题,因为典型的专家系统的知识库中的许多信息是不精确、不完整或不完全可靠的。本文综述了近年来心脏病诊断专家系统的研究进展
2014-01-01 cs.AI
A New Medical Diagnosis Method Based on Z-Numbers
Northwestern Polytechnical University(西北工业大学);Shanghai Institute of Spaceflight Control Technology, CASC(上海航天控制技术研究所(中国航天科技集团))
如何处理医学诊断中的不确定性是一个悬而未决的问题。本文提出了一种基于Z数的决策方法。首先,专家意见用Z数表示。Z-数是表示为Z =(A,B)的模糊数的有序对。然后,提出了一种新的模糊数排序方法。在模糊数排序方法的基础上,提出了一种将Z数转化为基本概率赋值的新方法。结果,来自不同来源的信息通过Dempster的组合规则被组合。由于信息融合的优势,最终的决策更加合理。最后,通过风险分析和医疗诊断两个实验,验证了该方法的有效性。
2017-05-07 cs.AI
LLM-Driven Medical Document Analysis: Enhancing Trustworthy Pathology and Differential Diagnosis
Computer Vision Center, Universitat Autònoma de Barcelona(计算机视觉中心,巴塞罗那自治大学)
提出一个基于LLaMA-v3和低秩适配的医学文档分析平台,利用DDXPlus数据集优化鉴别诊断,提供可解释且隐私保护的诊断结果,性能超越现有模型。
2025-06-24 cs.AI
HeteroMed: Heterogeneous Information Network for Medical Diagnosis
University of California Los Angeles(加利福尼亚大学洛杉矶分校)
随着最近电子健康记录(EHR)的可用性和巨大的机会,他们提供了推进医疗信息学,有越来越多的兴趣挖掘EHR,以提高医疗质量。疾病诊断由于其敏感性、巨大的错误成本和复杂性,在过去几年中已成为越来越重要的研究焦点。现有的研究通过捕获临床事件的共现来学习它们的潜在嵌入来对EHR进行建模。然而,临床事件之间的关系携带各种语义并且对疾病诊断有不同的贡献,这优先于对EHR数据中的异构数据类型和关系的更高级建模。为了解决这些问题,我们表示如何高维EHR数据及其丰富的关系,可以适当地翻译成HeteroMed,一个异构的信息网络,强大的医疗诊断。我们的建模方法允许直接处理缺失值和数据的异质性。HeteroMed利用元路径来捕获有助于疾病诊断的更高级别和语义上重要的关系。此外,它采用了一个联合嵌入框架,以定制临床事件表示的疾病诊断目标。据我们所知,这是第一个使用异构信息网络对临床数据和疾病诊断进行建模的研究。我们的研究的实验结果表明,与先前的方法相比,HeteroMed在预测准确的诊断代码和一般疾病队列方面具有优越的性能。此外,HeteroMed在捕获临床事件的相似性方面优于基线模型,这些临床事件通过案例研究进行定性检查。
2018-04-22 cs.AI
Learning from the experts: From expert systems to machine-learned diagnosis models
Curai(Curai公司)
专家诊断支持系统已被广泛研究。这些系统在现实世界的场景中的实际应用已经受到一定的限制,由于众所周知的缺点,如缺乏可扩展性。最近,用于医疗诊断的机器学习模型获得了发展势头,因为它们可以学习和概括在电子健康记录等非常大的数据集中发现的模式。这些模型也有缺点-特别是,没有简单的方法来结合现有的文献或专家的先验知识。在本文中,我们提出了一种方法来合并这两种方法,通过使用专家系统作为生成模型,创建模拟数据,模型可以学习。我们证明,这样的学习模型不仅保留了原来的专家系统的属性,但也解决了他们的一些局限性。此外,我们还展示了如何将这种方法作为起点,将专家知识与从其他数据源(如电子健康记录)中提取的知识相结合。
2018-08-14 cs.AI
Induction and Uncertainty Management Techniques Applied to Veterinary Medical Diagnosis
NASA AMES(NASA艾姆斯研究中心)
本文讨论了一个项目之间进行的计算科学系,统计学,兽医学院设计一个医疗诊断系统。医院数据库系统中的在线医疗数据已经收集了几年。许多归纳方法被用来从数据中提取知识,试图改进临床医生使用的简单诊断图表。它们还增强了经典统计方法的结果-发现许多更重要的变量。本文的第二部分描述了一个基本的贝叶斯证据合成方法,在初始阶段使用模糊事件。给出了计算结果,并与其它方法进行了比较。
2013-03-27 cs.AI
Human Disease Diagnosis Using a Fuzzy Expert System
University of Dhaka(达卡大学)
人类疾病诊断是一个复杂的过程,需要高水平的专业知识。任何试图开发一个基于网络的专家系统处理人类疾病诊断必须克服各种困难。本文介绍了一个项目工作,旨在开发一个基于Web的模糊专家系统,用于诊断人类疾病。现在模糊系统正被成功地应用在越来越多的应用领域,它们使用语言规则来描述系统。该研究项目的重点是研究和开发一种基于网络的临床工具,旨在提高医疗保健专业人员和患者之间的健康信息交流质量。医生也可以使用这个基于网络的工具来证实诊断。所提出的系统进行了实验,在各种情况下,以评估其性能。在所有的情况下,所提出的系统表现出令人满意的结果。
2010-06-23 cs.AI
Sim4Seg: Boosting Multimodal Multi-disease Medical Diagnosis Segmentation with Region-Aware Vision-Language Similarity Masks
Lingran Song, Yucheng Zhou, Jianbing Shen(作者)
本文提出医学诊断分割任务及M3DS数据集,并设计Sim4Seg框架,利用区域感知视觉-语言相似性掩码和测试时扩展策略,同时提升多模态多疾病医学图像的分割与诊断性能。
2025-11-10 cs.AI cs.CV
Tree-of-Reasoning: Towards Complex Medical Diagnosis via Multi-Agent Reasoning with Evidence Tree
South China University of Technology(华南理工大学);Key Laboratory of Big Data and Intelligent Robot (SCUT), Ministry of Education(大数据与智能机器人重点实验室(SCUT));Hong Kong Polytechnic University(香港理工大学)
针对复杂医学诊断中推理深度不足的问题,提出推理树(ToR)多智能体框架,通过树结构记录推理路径与临床证据,并采用交叉验证机制确保决策一致性,在真实数据上优于基线方法。
2025-08-05 cs.AI
Expert System for Diagnosis of Chest Diseases Using Neural Networks
National Research University Higher School of Economics(国立研究型高等经济大学)
这篇文章通过一个专家系统来帮助医生诊断一些胸部疾病,这是非常重要的,因为除了这些疾病的重叠症状外,胸部疾病的频繁传播,医生很难用几种算法正确诊断:前向链接、后向链接、神经网络(反向传播)。然而,该系统不能取代医生的功能,但它可以帮助医生避免错误的诊断和治疗。它也可以以这种方式开发,以帮助新手医生。
2018-02-19 cs.AI
Medical Knowledge Embedding Based on Recursive Neural Network for Multi-Disease Diagnosis
Harbin Institute of Technology(哈尔滨工业大学);Second Affiliated Hospital of Harbin Medical University(哈尔滨医科大学附属第二医院)
基于一阶逻辑的知识表示捕捉了自然语言的丰富性,并支持多种概率推理模型。虽然符号表示能够实现具有统计概率的定量推理,但是当机器学习模型执行数值运算时,难以利用符号表示。相反,知识嵌入(即,高维连续向量)是一种既能保留知识的语义信息又能建立知识之间可量化关系的复杂推理方法。本文提出了递归神经知识网络(RNNN),它将基于一阶逻辑的医学知识与递归神经网络相结合,用于多疾病诊断。在从人工标注的中国电子病历(CEMR)中有效训练RNN后,学习面向诊断的知识嵌入和权重矩阵。实验结果表明,RNN的诊断准确率优于一些经典的机器学习模型和马尔可夫逻辑网络(MLN)。结果还表明,从CEMR中提取的证据越明确,所获得的性能越好。随着训练次数的增加,RNN逐渐表现出对知识嵌入的解释。
2018-09-22 cs.AI
A Comparison of Decision Analysis and Expert Rules for Sequential Diagnosis
Carnegie Mellon University(卡内基梅隆大学)
长期以来,关于不确定性推理的决策理论方法和基于规则的启发式方法的相对优点一直存在争议。我们报告的两种方法的故障排除,特别是测试选择故障诊断的性能的实验比较。我们使用的实验测试台的问题诊断摩托车发动机。第一种方法采用从专家力学中获得的启发式测试选择规则。我们比较它与最优决策分析算法的测试选择,采用估计的组件故障概率和测试成本。决策分析算法被发现,以减少预期的成本(即时间),以达到平均14%的诊断相对于专家规则。敏感性分析表明,结果是相当强大的概率和成本估计的不准确性。这种差异暗示了知识获取的一些有趣的含义。
2013-03-27 cs.AI
DiaLLMs: EHR Enhanced Clinical Conversational System for Clinical Test Recommendation and Diagnosis Prediction
College of Information Sciences and Technology, Pennsylvania State University(信息科学与技术学院,宾夕法尼亚州立大学)
提出首个整合异构EHR数据的医疗LLM(DiaLLM),通过临床检查参考策略和强化学习框架实现临床检查推荐、结果解释与诊断预测,显著优于基线模型。
2025-06-24 cs.AI
Medical Dialogue Generation via Intuitive-then-Analytical Differential Diagnosis
The Hong Kong Polytechnic University(香港理工大学);Southern University of Science and Technology(南方科技大学)
针对医疗对话生成忽视鉴别诊断建模的问题,提出IADDx框架,先通过检索式直觉联想生成鉴别诊断,再用图增强分析过程细化,并据此检索医学知识指导回复生成,实验验证了其有效性。
2024-01-12 cs.AI cs.CL
A Framework for Intelligent Medical Diagnosis using Rough Set with Formal Concept Analysis
VIT University(韦洛尔理工大学)
医学诊断过程在试图处理诊断的不同复杂方面的程度上有所不同,例如症状的相对重要性,不同的症状模式以及疾病之间的关系。在决策理论的基础上,过去的许多数学模型,如明确集,概率分布,模糊集,直觉模糊集,处理复杂的方面的诊断。但是,许多这样的模型未能包括专家决策的重要方面。因此,已作出努力,以处理不一致的数据被认为是Pawlak与粗糙集理论的引入。虽然粗糙集方法具有其他方法无法比拟的优势,但是它产生的规则太多,给决策带来很多困难。因此,最小化决策规则至关重要。本文通过预处理和后处理两个过程来挖掘合适的规则,并探索属性之间的关系。在前处理中,我们使用粗糙集理论挖掘合适的规则,而在后处理中,我们使用形式概念分析,从这些合适的规则,以探索更好的知识和最重要的影响决策的因素。
2013-01-25 cs.AI
GOTM: a Goal-Oriented Framework for Capturing Uncertainty of Medical Treatments
Flinders University(弗林德斯大学)
它已被广泛认识到,不确定性是一个不可避免的方面的诊断和治疗的医疗疾病。因此,这种不确定性需要在计算机化的医学模型中加以考虑。然而,现有的医学建模技术主要集中在捕获与医学疾病诊断相关的不确定性,而忽略了治疗的不确定性。为了解决这个问题,我们已经提出了使用基于模糊的建模和描述技术来捕获治疗计划中的不确定性。我们还进一步贡献了一个正式的框架,允许面向目标的建模和分析的医疗。
2020-10-22 cs.AI
Beyond Uncertainty Reduction: Calibrated Planning for Interactive Diagnosis
Lanzhou University(兰州大学);Hunan University(湖南大学);National University of Singapore(新加坡国立大学);City University of Hong Kong(香港城市大学);The Ohio State University(俄亥俄州立大学)
该研究针对交互式医疗诊断漏诊重症的风险与长程规划缺失问题,提出严重程度感知共形临床规划框架,在DDXPlus和MediQ上提升了诊断准确性、鉴别质量并降低了高风险错误。
2026-10-19 cs.AI
How can Deep Learning Retrieve the Write-Missing Additional Diagnosis from Chinese Electronic Medical Record For DRG
Tsinghua University(清华大学)
漏诊检测的目的是发现病历中已经明确诊断,但在出院诊断中漏诊的疾病。与漏诊的定义不同,写漏诊在病历中明确表现,无需进一步推理。漏写诊断是一个常见的问题,往往是由医生疏忽造成的。漏写诊断将导致病历诊断不完整。而在DRG分组下,写漏的诊断将错过重要的附加诊断(CC、MCC),从而影响DRG入组的正确率。在各国普遍开始采用DRG入组和付费的情况下,漏写诊断问题是一个普遍而严重的问题。由于完整医疗记录的复杂内容,目前基于人工的方法是昂贵的。我们认为这个问题适合作为自然语言处理来解决。但据我们所知,还没有研究者基于自然语言处理方法对这一问题进行研究。提出了一个解决漏写诊断问题的框架,主要包括三个模块:疾病回忆模块、疾病上下文逻辑判断模块和疾病关系比较模块。通过该框架,我们验证了可以很好地解决漏写诊断问题,并且结果是可解释的。同时,对疾病上下文逻辑判断模块和疾病关系比较模块提出了先进的解决方案,与同类型问题的主流方法相比具有明显的优势。最后,我们在一家三级医院验证了我们提出的DRG医疗保险支付框架的价值。
2023-03-28 cs.AI cs.CL
EvoClinician: A Self-Evolving Agent for Multi-Turn Medical Diagnosis via Test-Time Evolutionary Learning
Microsoft Research(微软研究院);National University of Singapore(新加坡国立大学)
EvoClinician通过测试时进化学习实现多轮医学诊断,采用'诊断-评分-进化'循环提升诊断效率
2026-01-30 cs.AI
CDPR: Counterfactual Advantage-based Credit Assignment for Cost-Aware Sequential Medical Diagnosis
该研究针对医疗诊断模型忽略检查成本与价值权衡的问题,提出CDPR方法,将诊断建模为成本感知序列决策过程,集成到GRPO后在多数据集上提升诊断准确率并减少检查数量与成本。
2026-09-01 cs.AI
Medical Diagnosis with a Novel SVM-CoDOA Based Hybrid Approach
Karadeniz Technical University(卡拉德尼兹技术大学)
机器学习是人工智能的一个重要分支,通过有效的方法和技术来训练训练机器学习技术已经成为一项非常重要的任务。近年来,研究者们尝试使用替代技术来提高机器学习技术的能力。从解释,本研究的目的是介绍一种新的SVM-CoDOA(认知发展优化算法训练的支持向量机)系统的一般医疗诊断。详细地说,该系统由一个支持向量机,它是由CoDOA,一个新开发的优化算法训练。众所周知,优化算法的使用是训练和改进机器学习技术的基本任务。从这个意义上说,研究提供了一个面向医疗诊断的问题范围,以显示有效性的SVM-CoDOA混合形成。
2019-02-02 cs.AI cs.NE
Diagnosis Uncertain Models For Medical Risk Prediction
Microsoft Research(微软研究院);NYU Langone(纽约大学朗格尼医学中心)
针对无诊断信息的“全因”医疗风险模型对罕见高风险诊断估计不足的失效模式,提出显式建模诊断不确定性,为从业者提供超越单一数值的可解释风险预测。
2023-06-29 cs.AI
MedAgent-Pro: Towards Evidence-based Multi-modal Medical Diagnosis via Reasoning Agentic Workflow
National University of Singapore(新加坡国立大学);University of Oxford(牛津大学);Harbin Institute of Technology (Shenzhen)(哈尔滨工业大学(深圳));National University of Defense Technology(国防科技大学);The Second Affiliated Hospital Zhejiang University School of Medicine(浙江大学医学院附属第二医院)
MedAgent-Pro提出一种遵循现代医学诊断原则的智能体推理工作流,通过疾病级标准化方案生成和患者级个性化逐步推理,结合RAG检索指南与视觉模型定量评估,实现基于证据的多模态医学诊断,并在广泛实验中优于主流方法。
2025-07-02 cs.AI
Worse than Random? An Embarrassingly Simple Probing Evaluation of Large Multimodal Models in Medical VQA
University of California, Santa Cruz(加州大学圣克ruz分校);Carnegie Mellon University(卡内基梅隆大学)
提出 ProbMed 数据集,通过否定配对探测和多维度程序化诊断揭示主流 LMM 在医学影像细粒度诊断上甚至差于随机猜测。
2025-06-10 cs.AI
A Bayesian Approach for Medical Inquiry and Disease Inference in Automated Differential Diagnosis
Arizona State University(亚利桑那州立大学)
我们提出了一个贝叶斯方法的医疗查询和疾病推理,在鉴别诊断的两个主要阶段。与以前的工作不同,模拟给定概率的数据并对其使用ML算法,我们直接使用快速医学参考(QMR)信念网络,并在推理阶段应用贝叶斯推理,在查询阶段应用贝叶斯实验设计。此外,我们通过将贝叶斯实验设计框架从一步搜索扩展到多步搜索来改进查询阶段。我们的方法具有一些实际优势,因为它是可解释的,无需昂贵的培训,并且能够适应新的变化而无需任何额外的努力。我们的实验表明,我们的方法在两个模拟数据集SymCAT和HPO上取得了新的最先进的结果,在两个诊断对话数据集Muzhi和Dxy上取得了有竞争力的结果。
2021-10-23 cs.AI cs.LG
Feature selection for medical diagnosis: Evaluation for using a hybrid Stacked-Genetic approach in the diagnosis of heart disease
Iran University of Science and Technology(伊朗科技大学)
背景和目的:心脏病在过去10年中一直是最重要的死亡原因之一,因此使用分类方法来诊断和预测心脏病非常重要。如果在月经前预测这种疾病,就有可能预防这种疾病的高死亡率,并提供更准确和有效的治疗方法。材料和方法:由于输入特征的选择,使用基本算法可能非常耗时。降低尺寸或选择一个好的特征子集,而不冒准确性的风险,对于在该地区成功使用的基本算法具有重要意义。在本文中,我们提出了一种集成遗传学习方法,使用包装特征约简来选择疾病分类中的特征。调查结果:开发基于集成学习的医疗诊断系统来预测心脏病,提供了比传统方法更准确的诊断,并降低了治疗成本。结论:结果表明,铊扫描和血管闭塞是诊断心脏病的最重要特征,可以区分疾病和健康人,准确率为97.57%。
2021-03-15 cs.AI cs.LG
Unsupervised Online Feature Selection for Cost-Sensitive Medical Diagnosis
Indian Institute of Technology Bombay(印度理工学院孟买分校)
在医学诊断中,医生通过检查从一系列测试获得的测量结果(特征)来预测患者的状态,例如,验血验尿然后是侵入性检查由于检验往往费用高昂,人们希望只获得那些能够最终确定国家存在或不存在的特征(检验)。医学诊断的另一个方面是,我们经常面临无监督的预测任务,因为患者的真实状态可能不知道。受这些医疗诊断问题的启发,我们考虑了{ \it成本敏感医疗诊断}(CSMD)问题,其中患者的真实状态是未知的。我们制定的CSMD问题作为一个特征选择的问题,每个测试给出了一个功能,可用于预测模型。我们的目标是学习策略,选择的功能,使准确性和成本之间的最佳权衡。我们利用问题的“弱主导”属性来开发在线算法,这些算法可以识别一组特征,从而在预测成本和准确性之间提供“最佳”权衡,而无需知道医疗状况的真实状态。我们的实证结果验证了我们的算法对现实世界的数据集生成的问题实例的性能。
2019-12-25 cs.AI cs.LG stat.AP
CoD, Towards an Interpretable Medical Agent using Chain of Diagnosis
Shenzhen Research Institute of Big Data(深圳大数据研究院);The Chinese University of Hong Kong, Shenzhen(香港中文大学(深圳))
针对大语言模型医学诊断可解释性不足的问题,本研究提出诊断链(CoD)方法,模拟医师思维提供透明推理路径与疾病置信度,据此开发的DiagnosisGPT可诊断9604种疾病,在基准测试中表现优于其他大模型,兼具可解释性与诊断严谨性可控性。
2024-09-15 cs.AI cs.CL cs.LG
Social Chain of Thought: A Multi-Agent Architecture Grounded in Medical Differential Diagnosis Methodology
本文提出基于医学鉴别诊断方法论的多智能体架构SCoT,通过多轮专家协作提升复杂病例诊断召回率,其优势无法通过单一推理实现。
2026-08-13 cs.AI cs.CL
Iterative Refinement Strategy for Automated Data Labeling: Facial Landmark Diagnosis in Medical Imaging
The University of Melbourne(墨尔本大学)
针对医学影像面部关键点诊断中的自动标注难题,本文提出结合反馈机制与先进算法的迭代优化策略,以减少人工干预并提升标签质量及深度学习性能。
2024-04-08 cs.AI cs.CV cs.LG
Deep Reinforcement Learning for Cost-Effective Medical Diagnosis
Princeton University(普林斯顿大学);Northwestern University(西北大学)
当医学测试昂贵或耗时时,动态诊断是可取的。在这项工作中,我们使用强化学习(RL)来找到一种动态策略,该策略根据先前的观察结果顺序选择实验室测试面板,以低成本确保准确的测试。临床诊断数据通常高度不平衡;因此,我们的目标是最大化$F_1$评分,而不是出错率。然而,优化非凹$F_1$分数不是经典的RL问题,因此使标准RL方法无效。为了解决这个问题,我们开发了一个奖励塑造的方法,利用属性的$F_1$分数和二元性的政策优化,可证明地找到一组所有帕累托最优的政策,不受约束的$F_1$分数最大化。为了处理组合复杂的状态空间,我们提出了一个基于半模型的深度诊断策略优化(SM-DDPO)框架,该框架与端到端训练和在线学习兼容。SM-DDPO在不同的临床任务中进行测试:铁蛋白异常检测,脓毒症死亡率预测和急性肾损伤诊断。使用真实世界数据的实验验证了SM-DDPO有效地训练并识别所有Pareto前沿解决方案。在所有任务中,SM-DDPO能够实现最先进的诊断准确性(在某些情况下高于传统方法),同时降低测试成本高达$85\%$。该代码可在[https://github.com/Zheng321/Deep-Reinforcement-Learning-for-Cost-Procuretive-Medical-Diagnosis]获得。
2023-02-28 cs.AI cs.LG
Rule Based Expert System for Diagnosis of Neuromuscular Disorders
Dibrugarh University Institute of Engineering and Technology(迪布鲁加尔大学工程技术学院);Tata Institute of Fundamental Research(塔塔基础研究所)
本文讨论了一个基于规则的神经肌肉疾病诊断专家系统的实现。建议的系统实现为一个基于规则的专家系统在JESS脑性瘫痪,多发性硬化症,肌营养不良症和帕金森氏病的诊断。在该系统中,向用户呈现关于患者症状的问卷列表,基于该问卷列表诊断患者的疾病并建议可能的治疗。该系统可以帮助和支持患有神经肌肉疾病的患者了解他们的疾病和可能的治疗方法。
2012-07-09 cs.AI cs.CY
CBIDR: A novel method for information retrieval combining image and data by means of TOPSIS applied to medical diagnosis
Labcin - Nature-inspired computing Lab. - Federal University of Espírito Santo - Vitória, ES, Brazil(自然启发计算实验室 - 芬斯大学 - 维蒂利亚);Graduate Program in Computer Science, PPGI, UFES - Federal University of Espírito Santo - Vitória, ES, Brazil(计算机科学研究生项目,PPGI,UFES - 芬斯大学 - 维蒂利亚)
本文提出CBIDR方法,将医学图像与患者临床数据通过TOPSIS排序算法结合,用于辅助医学诊断,在口腔癌诊断案例中Top-1准确率达97.44%、Top-5达100%。
2024-09-26 cs.AI cs.IR eess.IV
An Advanced NLP Framework for Automated Medical Diagnosis with DeBERTa and Dynamic Contextual Positional Gating
K.N. Toosi University of Technology(科努西理工大学);Islamic Azad University(伊斯兰阿扎德大学);Shahed University(沙希德大学)
本文提出整合数据增强、特征提取与分类技术的NLP框架,通过回译生成复述数据集,结合DeBERTa与DCPG捕捉细粒度关系,用ABFNN分类,在医疗文本诊断中取得99.78%准确率等优异结果,优于现有方法。
2025-02-11 cs.AI cs.CL
Use of a Quantum Computer and the Quick Medical Reference To Give an Approximate Diagnosis
快速医学参考(QMR)是一个统计知识的纲要,将疾病与发现(症状)联系起来。QMR中的信息可以表示为贝叶斯网络。QMR的推理问题(或者,用更医学的语言来说,给出诊断)是,给定一些发现,找到每种疾病的概率。拒绝抽样和似然加权抽样(也称为拒绝抽样)似然加权)是用于从任意贝叶斯网(特别是从QMR贝叶斯网)进行近似推断的两个简单算法。在此,这两个算法的样本已获得与传统的“经典计算机”。在本文中,我们将证明QMR贝叶斯网存在两个类似的算法,其中样本是用量子计算机获得的。我们希望这两种算法在量子计算机上实现,也可以用于与其他贝叶斯网络进行推断(和预测)。
2008-07-29 cs.AI quant-ph
Empowering Medical Multi-Agents with Clinical Consultation Flow for Dynamic Diagnosis
The School of Data Science, Fudan University(复旦大学数据科学学院);Institute of Science and Technology for Brain-Inspired Intelligence, Fudan University(复旦大学类脑智能科学与技术研究院);University of Cambridge(剑桥大学)
针对传统AI医疗系统单模态局限及基础模型动态诊断能力不足的问题,提出融合临床问诊流程与强化学习的多智能体框架,引入层级化动作集优化决策,在公开基准上实现当前最优性能。
2025-03-19 cs.AI cs.MA
Skin disease diagnosis using image analysis and natural language processing
The University of Zambia(赞比亚大学)
在赞比亚,医务人员严重短缺,在一个特定地区,每个从业人员要照顾大约17000名病人,而其他病人仍然要走10公里以上的路才能获得基本医疗服务。在这项研究中,我们实现了一个可以执行临床诊断过程的深度学习模型。该研究将证明图像分析是否能够进行临床诊断。它还将使我们能够了解我们是否可以使用图像分析来通过将一些任务委托给人工智能来减轻医生的工作量。这项研究的成功有可能增加赞比亚人获得医疗服务的机会,这是《2030年远景规划》的国家目标之一。
2022-05-09 cs.AI cs.CV eess.IV
MedDDC-Eval: Diagnosis-Decoupled Evaluation of Multi-Turn Medical Consultation Agents
Baidu, Inc(百度公司)
研究多轮医疗咨询代理评估问题,提出诊断解耦测试平台MedDDC-Eval,通过共享冻结阅读器保持病史到诊断映射不变,能测量诊断有用性等,支持可控归因与策略开发,应用GRPO后训练模型可提升性能。
2026-07-28 cs.AI cs.CL
MedClarify: An information-seeking AI agent for medical diagnosis with case-specific follow-up questions
LMU Munich(慕尼黑大学);Munich Center for Machine Learning(慕尼黑机器学习中心);Heidelberg University(海德堡大学)
MedClarify通过生成病例特定的后续问题,提升医学诊断的准确性与可靠性。
2026-02-19 cs.AI cs.LG
Medical Diagnosis with Large Scale Multimodal Transformers: Leveraging Diverse Data for More Accurate Diagnosis
University Hospital Aachen(亚琛大学医院);RWTH Aachen University(亚琛工业大学);Ocumeda GmbH(Ocumeda 有限公司);RWTH Aachen(亚琛工业大学);Charité – Universitätsmedizin Berlin(柏林夏里特医学院);Freie Universität Berlin(柏林自由大学);Technical University Dresden(德累斯顿工业大学);University of Leeds(利兹大学);University Hospital Heidelberg(海德堡大学医院)
多模态深度学习已被用于从临床常规数据预测临床终点和诊断。然而,这些模型存在扩展问题:它们必须学习每种数据类型中每条信息之间的成对交互,从而使模型复杂性超出可管理的规模。到目前为止,这阻碍了多模态深度学习的广泛使用。在这里,我们提出了一种新的技术方法“可学习的协同作用”,其中模型只选择数据模态之间的相关交互,并保持相关数据的“内部记忆”。我们的方法很容易扩展,自然适应临床常规的多模态数据输入。我们在来自放射学和眼科学的三个大型多模态数据集上展示了这种方法,并表明它在临床相关诊断任务中优于最先进的模型。我们的新方法是可转移的,将允许多模态深度学习应用于广泛的临床相关问题。
2022-12-20 cs.AI cs.LG
Open Set Medical Diagnosis
Georgia Tech(佐治亚理工学院);Curai;MIT(麻省理工学院)
机器学习的诊断模型已经显示出作为医疗助手的前景,但在闭集假设下进行训练,即模型只会遇到它们已经训练过的条件。然而,实际上不可能为每个人的条件获得足够的训练数据,并且一旦部署,这样的模型将总是面对以前看不见的条件。我们将机器学习诊断视为一个开集学习问题,并研究最先进的方法如何进行比较。此外,我们将我们的研究扩展到训练数据分布在几个不允许数据池的医疗站点的设置,并尝试构建开集诊断集合的不同策略。在这两种设置中,我们观察到从显式建模看不见的条件中获得的一致收益,但发现最佳训练策略在不同设置中有所不同。
2019-10-07 cs.AI cs.LG stat.ML
Disease Labeling via Machine Learning is NOT quite the same as Medical Diagnosis
Arison School of Business, Interdisciplinary Center(阿里森商学院,跨学科中心)
医学诊断的一个关键步骤是给病人一个普遍认可的标签(例如阑尾炎),这基本上是将病人分配到一个(或多个)具有类似身体衰竭的病人类别。然而,具有高概率相同疾病标签的两名患者在其特征表现模式上仍可能存在差异,这意味着所需治疗的差异。此外,在许多情况下,初步诊断的标签留下了一些无法解释的发现。医学诊断只是部分地关于标签X或Y的概率计算。诊断是不完整的,直到病人的整体情况是临床理解的水平,使最佳的治疗决策。大多数机器学习模型都是以数据为中心的模型,迄今为止的证据表明它们可以在疾病标记阶段达到专家级性能。然而,像任何其他数学技术一样,它们有其局限性和适用范围。以数据为中心的算法是知识盲的,缺乏医生用来实现完整诊断的解剖学和生理学知识。本文主张用智能来补充它们,以克服它们作为知识盲算法的固有局限性。机器可以从数据中学习很多东西,但数据并不是机器可以学习的唯一来源。历史患者数据只告诉我们某种身体衰竭的可能表现是什么。解剖学和生理学知识告诉我们身体如何工作和失败。两者都需要完整的诊断。提出的双重深度学习方法,以及针对智能机器的医学维基百科计划,为我们今天看到的有限数据标签解决方案之外的完整诊断提供了AI诊断支持解决方案。医学人工智能将永远受到限制,直到他们的智能也整合了解剖学和生理学。
2019-09-08 cs.AI cs.CY cs.LG
Evaluating Large Language Models on Rare Disease Diagnosis: A Case Study using House M.D
本文构建基于《豪斯医生》的176组症状-诊断配对罕见病诊断数据集,评估四款主流大语言模型的叙事医疗推理能力,建立相关基线与公开评估框架以支撑AI辅助诊断研究。
2025-11-14 cs.AI cs.CL
Concept Complement Bottleneck Model for Interpretable Medical Image Diagnosis
Hong Kong University of Science and Technology(香港科技大学);Department of Computer Science and Engineering(计算机科学与工程系);Department of Chemical and Biological Engineering(化学与生物工程系);Division of Life Science(生命科学部)
本文提出一种用于可解释医学图像诊断的概念互补瓶颈模型,通过概念适配器和互补策略挖掘并学习新概念以补充现有概念集,实验表明其在概念检测与疾病诊断任务上优于现有方法且具备有效可解释性。
2024-12-24 cs.AI cs.CV
Research on Intelligent Aided Diagnosis System of Medical Image Based on Computer Deep Learning
Brandeis University(布兰迪斯大学);Columbia University(哥伦比亚大学);Northern Arizona University(北亚利桑那大学);University of Illinois at Chicago(伊利诺伊大学芝加哥分校);Carnegie Mellon University(卡内基梅隆大学);Northeastern University(东北大学)
本文结合Struts和Hibernate架构建立双模态医学图像库,提出基于深度网络的图像辅助诊断方法,其AUROC达0.9985,能辅助医生定位肿瘤并开展针对性治疗。
2024-04-29 cs.AI cs.CV
Adaptive Learning Expert System for Diagnosis and Management of Viral Hepatitis
Mettu University(梅图大学);St.Paul Hospital(圣保罗医院)
病毒性肝炎是世界范围内常见的健康问题,与其他易传播的疾病如结核病、人类免疫病毒、疟疾等相比,在所有肝炎病毒中,因长期感染丙型肝炎或长期感染乙型肝炎而导致的死亡人数最多。本研究以圣保罗医院内科医师为研究对象,采用结构化访谈和半结构化访谈的方法,对该系统进行研究。一旦获得的知识,它是建模和表示使用基于规则的推理技术。在所开发的专家系统中,前向和后向链接都被用来推断规则并提供适当的建议。为了开发原型专家系统,还使用了SWI-prolog编辑器。所提出的系统具有适应动态知识的能力,通过泛化规则和发现新的规则,通过学习新到达的领域专家的知识自适应没有任何帮助的知识工程师。关键词:专家系统,病毒性肝炎诊断与管理,自适应学习,发现与推广机制
2019-04-09 cs.AI cs.CY
Mobile Imaging Solutions for Medical Diagnosis: Trends and Applications
Miro(Miro公司);NVIDIA(英伟达)
本文综述了基于移动图像的医学诊断技术,分析了各类应用方案的优缺点,指出其低成本、可及性优势及未来研究方向,旨在支持资源匮乏地区的疾病诊断与监测。
2026-09-23 cs.AI cs.CV cs.LG
Class Unbiasing for Generalization in Medical Diagnosis
Dept. of Electrical and Electronic Engineering, Hong Kong Polytechnic University(电子与电气工程系,香港理工大学)
针对医学诊断中存在的类别-特征偏差与类别不平衡导致模型泛化性差的问题,提出结合类别不等式损失与类别组分布鲁棒优化的Cls-unbias模型,有效缓解两类问题并提升泛化能力。
2025-08-31 cs.AI cs.LG
Neural machine translation of clinical procedure codes for medical diagnosis and uncertainty quantification
Texas A&M University(德克萨斯农工大学);Massachusetts General Hospital(麻省总医院);Brookhaven National Laboratory(布鲁克海文国家实验室)
本文提出医学熵概念,利用基于ICD-9代码的神经机器翻译量化患者结果不确定性,并验证了操作与诊断序列的相关性及住院期间不确定性趋势建模的可行性。
2024-10-19 cs.AI cs.CL cs.LG
Medical Diagnosis From Laboratory Tests by Combining Generative and Discriminative Learning
Beijing University of Posts and Telecommunications(北京邮电大学);Carnegie Mellon University(卡内基梅隆大学);Tsinghua University(清华大学);Petuum Inc(Petuum公司)
计算表型研究的主要目标是进行医学诊断。在医院,医生依靠大量的临床数据来做出诊断决策,其中实验室检查是最重要的资源之一。然而,实验室测试数据的纵向和不完整性质对其解释和使用造成了重大挑战,这可能导致人类医生和自动诊断系统做出有害的决策。在这项工作中,我们利用深度生成模型来处理复杂的实验室测试。具体来说,我们提出了一个端到端的架构,涉及一个深度生成变分递归神经网络(VRNN)学习强大的和可推广的功能,和一个判别式神经网络(NN)模型学习诊断决策,这两个模型联合训练。我们的实验是在一个涉及46,252名患者的数据集上进行的,50个最常见的测试被用来预测50个最常见的诊断。结果表明,我们的模型,VRNN+NN,显着(p<0.001)优于其他基线模型。此外,我们证明了联合训练所学习到的表示比纯生成模型所学习到的表示信息量更大。最后,我们发现我们的模型为缺失值提供了一个令人惊讶的好插补。
2017-11-16 cs.AI cs.LG stat.ML