AI 资讯速览✨
- 《医疗大模型语料一体机应用指南》发布：国内首个面向卫生健康领域模型应用的团体标准，由 18 家单位共同起草，提出了 “1+5” 的医疗大模型语料一体机解决方案框架。
- “1+5” 框架规范：包括操作系统与医疗应用区、模型区、智能体区、医疗语料区、算力区五个功能区的规范，并提出场景导向的应用路径。
- 指南作用：为医疗机构和智能体开发者提供快速使用大模型的操作指引，降低边际成本和应用技术门槛。
- 库帕思科技发布 “小库”：国内首个医疗语料终端产品，集成了当前主流的基础大模型、行业垂类语料库、向量数据库和语料加工工具。
- 上海市卫生健康行业语料库发布：包括临床医学类语料库 1.0 版和公共卫生类语料库 1.0 版，引导行业语料库发展。
- OpenAI 技术突破：在 “12 Days of OpenAI” 第二场直播中，展示了强化微调技术，通过 O1 和 O1 mini 模型为罕见疾病诊断提供新方案。
- 强化学习目标：旨在构建复杂特定领域的专家级人工智能，优化模型输出，提高专家级任务的推理准确性。
- 强化微调研究项目：旨在开发更好的计算工具，帮助理解和治疗罕见疾病。
- 合作机构：与德国夏利特医院、彼得・罗宾逊实验室及 Monarch Initiative 合作，从数百篇科学出版物中提取病例报告信息。
- 数据集信息：包含患者症状、未出现症状、所患疾病、致病基因信息，约 1100 个样本。
- 核心任务：训练模型根据患者症状列表准确预测可能导致遗传疾病的基因，并排序。
- O1 mini 模型表现：在基因预测任务上取得显著进步，Top@1 指标提升至 31%，Top@5 和 Top@max 指标均有显著提升。
- 病例分析示例：模型成功识别出可能的致病基因，并给出推理过程，如 TSC1、TSC2、NIPBL 等基因。
- DeepNano-seq 开发：清华大学研究团队开发了基于集成深度学习框架的 DeepNano-seq，能从蛋白质 - 蛋白质相互作用（PPI）中预测 NAI。
- 跨物种泛化能力：定量比较结果显示，DeepNano-seq 在现有 PPI 算法中具有最好的跨物种泛化能力。
- NAI 与 PPI 的区别：由于 NAI 和 PPI 在模式和数据级别上的区别，DeepNano-seq 在 NAI 预测方面表现次优。
- NAI 数据收集与建模：研究团队从公共数据库收集 NAI 数据进行专门建模，以提高预测性能。
- 增强预测流程：通过基于提示的方法引导模型注意力至抗原结合位点，增强 DeepNano-seq 预测流程，得到 DeepNano。
- DeepNano 性能评价：综合评价表明，DeepNano 在 NAI 预测和纳米抗体虚拟筛选方面表现优异。
- 工具应用：DeepNano-seq 和 DeepNano 可为纳米抗体发现提供强大的工具，助力相关研究和应用开发。
- MINIM 特点：通过少量高质量医学影像与报告配对数据训练，实现跨器官、多模态的海量高质量医学影像及报告生成。
- 自我优化机制：研究团队通过强化学习技术为 MINIM 引入自我优化机制，模型能根据医生评分提升生成能力。
- 跨器官、多模态模型：瞿佳教授指出，MINIM 构建了一个跨器官、多模态的生成式医学影像模型，为传统医疗数据获取与标注困境提供创新方案。
- 精准医疗与个性化治疗：在眼科等复杂疾病诊断中，MINIM 依托高质量数据显示出卓越效果，为精准医疗推进和个性化治疗探索提供技术支撑。
- 微调提升性能：对未参与模型训练的脑部 MRI 数据，通过在 MINIM 上微调，显著提升了这类数据的生成性能。
- 临床应用验证：MINIM 已在肺部 CT 影像的 EGFR 突变预测及生存分析、乳腺 MRI 影像的 HER2 突变阳性预测等场景中验证了其临床应用价值。
AI 实用技巧💼
Kimi视觉思考：深析图像，思维展现
图表相较于文本的阅读耗时、记忆效果差的缺点有着直观、容易记住的优点，尤其对于非母语者来说，图形符号和图表是更易于理解的方式。
在分析数据或进行研究的过程中，我们常常会遇到一些复杂图表，这些图表可能包含着大量交织的数据点、多维度的信息以及复杂的视觉元素，这使得直接解读变得异常困难。这时，我们就需要一个什么工具来帮助我们解读。
Kimi视觉思考版正是一个能对图像信息深入思考和分析的工具，使用这个工具，即使面对复杂的图像，我们也能更自信地理解和处理，不用再感到困扰。
Kimi视觉思考版展示推理思维链，让我们能看到模型得到答案的推理过程；它不仅能解读复杂图像，还能完成数理化等题目。
就连蛋白质-RNA-离子复合物的结构图也能解读一二
现在打开Kimi，找到Kimi+中的Kimi视觉探索版，就能使用了！
|
