全部论文（38 篇）
Inter-hospital ICU-to-ICU transfer of critically ill COVID-19 patients is not associated with increased mortality: a systematic review with exploratory meta-analysis. 🆕
本期未做逐篇深度分析，当前为 PubMed 元数据；可后台补跑 DeepSeek 逐篇分析后自动补全。
Performance Comparison Between Domestic and International Large Language Models in Patient Education for Chinese Patients with Lumbar Disc Herniation: A Cross-Sectional Study. 🆕
本期未做逐篇深度分析，当前为 PubMed 元数据；可后台补跑 DeepSeek 逐篇分析后自动补全。
Sociodemographic bias in LLMs' clinical decision-making for dizziness. 🆕
2026-08-10 ·
本期未做逐篇深度分析，当前为 PubMed 元数据；可后台补跑 DeepSeek 逐篇分析后自动补全。
Intelligent Framework for Adverse Drug Event Identification Using Large Language Models and Retrieval-Augmented Generation: Development and Evaluation Study. 🆕
本期未做逐篇深度分析，当前为 PubMed 元数据；可后台补跑 DeepSeek 逐篇分析后自动补全。
TrustEndo: A Conformal-Calibrated MLLM With Retrieval-Augmented Reasoning for Trustworthy Gastroscopic Diagnosis. 🆕
本期未做逐篇深度分析，当前为 PubMed 元数据；可后台补跑 DeepSeek 逐篇分析后自动补全。
Using Natural Language Processing to Identify Adverse Drug Events Characterized by Medication Replacement in Primary Care Electronic Medical Records: Algorithm and Validation Study. 🆕
本期未做逐篇深度分析，当前为 PubMed 元数据；可后台补跑 DeepSeek 逐篇分析后自动补全。
CONRep: Uncertainty-Aware Vision-Language Report Drafting Using Conformal Prediction. 🆕
2026-08-11 ·
本期未做逐篇深度分析，当前为 PubMed 元数据；可后台补跑 DeepSeek 逐篇分析后自动补全。
Artificial Intelligence for Diagnosis of Esophageal Manometry: A Narrative Review. 🆕
2026-08-11 ·
本期未做逐篇深度分析，当前为 PubMed 元数据；可后台补跑 DeepSeek 逐篇分析后自动补全。
Prompt Engineering of Large Language Models for Medication Dose Calculation. 🆕
2026-08-11 ·
本期未做逐篇深度分析，当前为 PubMed 元数据；可后台补跑 DeepSeek 逐篇分析后自动补全。
Zero-shot segmentation and tumor diameter measurement of soft tissue sarcomas on MRI using a multimodal large language model. 🆕
2026-08-11 ·
本期未做逐篇深度分析，当前为 PubMed 元数据；可后台补跑 DeepSeek 逐篇分析后自动补全。
Benchmarking large language models for question answering on German clinical practice guidelines. 🆕
本期未做逐篇深度分析，当前为 PubMed 元数据；可后台补跑 DeepSeek 逐篇分析后自动补全。
Generalizable cancer detection from ultra-low-pass WGS via deep contextual modeling of cfDNA sequences. 🆕
2026-08-13 ·
本期未做逐篇深度分析，当前为 PubMed 元数据；可后台补跑 DeepSeek 逐篇分析后自动补全。
Preparing for the Augmented Intelligences: A Roadmap for Physicians in the Era of Artificial Intelligence and Robotics. 🆕
2026-08-14 ·
本期未做逐篇深度分析，当前为 PubMed 元数据；可后台补跑 DeepSeek 逐篇分析后自动补全。
Preventing Participant Leakage in Reissued Clinical AI Benchmarks: A Biomedical Informatics Evaluation Protocol and DAIC-WOZ/E-DAIC Audit. 🆕
2026-08-14 ·
本期未做逐篇深度分析，当前为 PubMed 元数据；可后台补跑 DeepSeek 逐篇分析后自动补全。
A large language model-driven multidisciplinary AI agent system predicts delirium in emergency critically ill patients. 🆕
本期未做逐篇深度分析，当前为 PubMed 元数据；可后台补跑 DeepSeek 逐篇分析后自动补全。
Diagnostic accuracy of electronic medical record retrieval methods and a large language model for identifying cardiovascular events: a multisite retrospective validation study in a medical system in the United States. 🆕
本期未做逐篇深度分析，当前为 PubMed 元数据；可后台补跑 DeepSeek 逐篇分析后自动补全。
Academic Medical Centers Partner with Industry for Co-Development of Clinical AI. 🆕
本期未做逐篇深度分析，当前为 PubMed 元数据；可后台补跑 DeepSeek 逐篇分析后自动补全。
Large Language Model Simplification of Open Access Pediatric Strabismus Literature: Cross-Sectional Validation of Readability and Clinical Fidelity. 🆕
本期未做逐篇深度分析，当前为 PubMed 元数据；可后台补跑 DeepSeek 逐篇分析后自动补全。
Large Language Model-Based Identification of Acute Coronary Syndrome Management Delays. 🆕
2026-08-15 ·
本期未做逐篇深度分析，当前为 PubMed 元数据；可后台补跑 DeepSeek 逐篇分析后自动补全。
CineScribe: LLM-based detection and mitigation of ambiguity in cine cardiac magnetic resonance reports. 🆕
本期未做逐篇深度分析，当前为 PubMed 元数据；可后台补跑 DeepSeek 逐篇分析后自动补全。
Peripheral arterial disease classification using machine learning and multi-point photoplethysmography.
本期未做逐篇深度分析，当前为 PubMed 元数据；可后台补跑 DeepSeek 逐篇分析后自动补全。
GUSL: A novel and efficient machine learning model for prostate segmentation on MRI.
本期未做逐篇深度分析，当前为 PubMed 元数据；可后台补跑 DeepSeek 逐篇分析后自动补全。
Few-shot ECG analysis with large vision language models in data-scarce clinical settings.
本期未做逐篇深度分析，当前为 PubMed 元数据；可后台补跑 DeepSeek 逐篇分析后自动补全。
Clinical Outcomes and Predictors of Response to PD-(L)1 Blockade in Patients with NSCLC without Actionable Genomic Alterations Who Never Used Tobacco.
本期未做逐篇深度分析，当前为 PubMed 元数据；可后台补跑 DeepSeek 逐篇分析后自动补全。
Exploratory Analysis of PTEN Deficiency by Immunohistochemistry from the Phase III CAPItello-291 Trial.
本期未做逐篇深度分析，当前为 PubMed 元数据；可后台补跑 DeepSeek 逐篇分析后自动补全。
A First-in-Pediatric Study of ALRN-6924, a Novel Stapled-Peptide Dual MDM2/MDMX Inhibitor, for Children with Advanced Hematologic and Solid Malignancies.
本期未做逐篇深度分析，当前为 PubMed 元数据；可后台补跑 DeepSeek 逐篇分析后自动补全。
Advancing Evidence-Based Medicine for Population, Intervention, Comparison, and Outcome Element Recognition and Extraction in Medical Literature: Large Language Model Approach.
类型：研究
领域：医学信息学、自然语言处理、证据医学
方法：结合提示工程与参数高效微调的大语言模型。具体包括：1. 提示工程阶段：采用思维链、上下文学习等策略优化模型输出；2. 参数高效微调阶段：采用LoRA、量化LoRA等技术对模型进行适配训练。
核心发现：1. 提示工程中，思维链策略在较小的模型上实现了优异的PICO元素识别与提取性能。2. 参数高效微调（如LoRA）能进一步显著提升模型性能，其效果在多数基准数据集上优于纯提示工程。3. 两种方法互补，共同推进了利用大语言模型自动化处理PICO信息的技术前沿。
一句话：该研究证明了通过结合提示工程优化与参数高效微调技术，大语言模型能够有效实现医学文献中PICO元素的自动化识别与提取，显著提升了循证医学信息处理的效率与潜力。
Deep Learning Predicts Mutations and Outcomes in Gastrointestinal Stromal Tumors.
本期未做逐篇深度分析，当前为 PubMed 元数据；可后台补跑 DeepSeek 逐篇分析后自动补全。
Large Language Models for Mental Health Prediction: Scoping Review of Bias and Clinical Utility Documentation in 2019-2024.
类型：综述（范围综述）
领域：心理健康预测；人工智能伦理与偏见；临床实用性评估
方法：本研究遵循PRISMA-ScR指南，是一项系统性的范围综述。研究人员在5个学术数据库中检索了2019至2024年间使用大语言模型分析非合成文本数据以检测心理健康状况的原始英文研究。最终纳入了201篇文献。分析框架覆盖了LLM应用管道的整个生命周期，包括研究设计与选择、数据收集、结果定义、模型开发和部署后考虑。对提取的方法学信息及作者关于偏见和临床实用性的陈述进行了统计描述和主题编码分析。
核心发现：研究发现，当前LLM用于心理健康预测的研究存在高度的方法同质性，主要聚焦于社交媒体文本中的抑郁症检测，并大量使用BERT等通用LLM。这种范式可能损害系统的临床相关性和公平性。尽管81.6%的研究在讨论中提及了偏见或临床实用性相关主题，但绝大多数讨论仅局限于数据层面。只有约20.4%的研究深入涉及了开发管道中多个环节的考量，表明在该敏感领域，对偏见和临床实用性问题的系统性反思与整合仍然非常薄弱。
一句话：尽管LLM在心理健康预测研究中迅速增长，但多数研究在方法学上存在同质化局限，且对偏见和临床实用性的系统性反思严重不足，亟需跨学科合作以确保技术的临床适用性和公平性。
Selpercatinib in Early-Stage RET Fusion-Positive Non-Small-Cell Lung Cancer.
本期未做逐篇深度分析，当前为 PubMed 元数据；可后台补跑 DeepSeek 逐篇分析后自动补全。
Bridging the experiential gap in artificial intelligence-based health professions education.
本期未做逐篇深度分析，当前为 PubMed 元数据；可后台补跑 DeepSeek 逐篇分析后自动补全。
Agentic genomics: From pipeline automation to autonomous validation.
类型：综述
领域：医学AI / 基因组学
方法：文献综述与概念框架提出
核心发现：1. 定义了“代理基因组学”新范式，即由大型语言模型驱动、在领域技能库约束下自主执行、迭代优化多步骤基因组分析的AI代理系统。2. 明确指出该范式将计算生物学的瓶颈从“流程构建”转移至“结果验证”。3. 提出了涵盖研究级、基准测试级和临床级分析的分层验证框架。4. 强调“公平性感知设计”必须作为系统性要求，而非可选项。5. 识别了构建可信代理基因组学所需的基础设施要素。
一句话：本文系统阐述了“代理基因组学”这一新兴AI驱动范式，将其与现有工具明确区分，并论证了验证与公平性将成为该领域未来发展的核心挑战。
Artificial intelligence in lumbar radiography: bridging deep learning and clinical practice in low-resource environments.
类型：叙述性综述
领域：医学影像学 / 人工智能临床应用 / 腰椎放射学
方法：对2022年至2024年间发表的文献进行叙述性综述，通过PubMed和Google Scholar进行结构化检索，聚焦应用于腰椎X光片分析的深度学习模型。
核心发现：深度学习模型（包括CNN、U-Net、ResNet和生成对抗网络）在腰椎影像的分割、分类和曲率分析中性能有所提升。轻量级架构在资源受限的环境中具有部署潜力。尽管AI辅助的腰椎影像在低资源环境中具有增强诊断准确性和工作流程效率的潜力，但在验证、可解释性和临床整合方面仍面临挑战。
一句话：本文综述了深度学习在腰椎X光片分析中的应用现状，指出其在提升资源匮乏地区诊断能力方面的潜力，同时呼吁未来需要更多大规模和真实世界的研究来克服整合挑战。
Adjuvant Nivolumab vs Observation in Resected Non-Small Cell Lung Cancer: A Randomized Clinical Trial.
本期未做逐篇深度分析，当前为 PubMed 元数据；可后台补跑 DeepSeek 逐篇分析后自动补全。
Finite State Machine-Guided Retrieval-Augmented Generation Improves Expert-Rated Acceptability of a Peripherally Inserted Central Catheter Self-Management Chatbot: Single-Center Content Validation Study.
类型：研究
领域：医学人工智能 / 护理信息学 / 对话系统
方法：研究者设计了一项盲法消融比较研究，评估了三种共享相同微调GPT-4o-mini基座的聊天机器人架构：模型1（仅微调，FT）、模型2（FT+检索增强生成，RAG）、模型3（FT+RAG+有限状态机，FSM）。三位具备≥10年PICC管理经验的护士对43个PICC相关查询的聊天机器人应答进行了独立评估。评估分为两阶段：查询层面的强制选择偏好评估，以及基于8个预设维度的全局李克特量表评分。评估者间一致性使用Gwet's AC1量化，模型偏好差异使用Cochran Q和经Bonferroni校正的McNemar配对检验进行比较。
核心发现：FSM引导的模型（模型3）在43个场景中的79.1%（34个）被专家护士首选，显著高于模型1和模型2（P<.001）。模型1与模型2之间无显著差异。在全局评分中，模型3在大多数维度上获得更高评分，但因对话轮次较多，其“效率”评分可能较低。专家定性反馈指出，FSM引导偶尔会产生不必要的对话轮次。
一句话：与仅微调或微调加RAG的简单架构相比，有限状态机引导的检索增强生成聊天机器人架构能显著提高专家护士对PICC自我管理应答的可接受度，使其更贴近临床专家的咨询模式。
Application of Large Language Models in Chronic Disease Care: Mixed Methods Systematic Review and Thematic Synthesis.
类型：综述
领域：医学AI（大语言模型在慢性病护理中的应用）
方法：混合方法系统综述与主题综合（基于PRISMA和SWiM指南），并运用Orem自我护理理论构建3D评估框架。
核心发现：1. 纳入了20项中高质量研究。2. 主题综合得出三大核心主题：（1）安全、隐私与公平基础（如幻觉风险、数据伦理）；（2）通过感知有用性实现自我护理赋能（患者教育、决策支持、自我管理）；（3）设计与系统集成挑战（可读性不匹配、工作流程缺口）。3. 当前应用主要集中在中间层（自我护理赋能），而基础保障和实际运营整合不足。4. 检索增强生成等技术主要强化了第二主题，但幻觉、可读性等问题限制了实际部署。
一句话：本文首次将护理理论整合到大语言模型评估中，通过一个结构化的三层框架揭示了当前研究主要集中在功能验证，而基础安全和系统整合亟待加强。
Evaluating Retrieval-Augmented Large Language Models on Anesthesiology Board-Style Questions: Benchmark Study.
类型：研究
领域：医学人工智能，麻醉学教育，检索增强生成
方法：采用美国麻醉学委员会风格的题库，对多种检索增强生成框架与独立大语言模型基线进行大规模基准测试。评估了超参数设置、嵌入模型、信息源复杂度、分块策略等因素，并比较了以推理为导向的模型与传统模型的性能。使用了Cochran Q和McNemar检验进行统计分析。
核心发现：1. RAG框架能提升答题准确率，但效果高度依赖于检索配置（如参数设置、嵌入模型和分块策略）。2. 高度确定性的采样配置（如低温度与top-p）能提升系统稳定性。3. 基于推理的模型（如Qwen3-32B）在复杂条件下表现优异，其多步骤推理能力可在一定程度上弥补参数规模上的不足，甚至超越参数量大得多的传统模型（如Qwen2.5-72B）。4. 较小的推理模型在面对噪声或不理想检索文档时，表现出比大型传统模型更强的鲁棒性。5. 模型家族间存在性能差异，Qwen系列整体表现优于Llama系列。
一句话：该研究通过系统性基准测试表明，经过精心设计的检索增强生成策略能使中等规模的开源大语言模型有效应对麻醉学考试挑战，并凸显了推理能力在提升模型鲁棒性和准确性方面的价值。
Spatial biomarker discovery via interpretable semantic learning in histopathology.
类型：研究
领域：计算病理学、医学影像分析、肿瘤学
方法：提出PathPrism框架。该框架通过可解释的语义学习，将全切片图像（WSIs）转换为可解释的“空间生物标志物频谱”。该方法结合了视觉Transformer架构，并通过注意力机制实现了空间特征的解耦与表征，形成了可解释的组织架构表示。
核心发现：1. 成功将WSIs转换为一种可解释、透明的空间生物标志物表示，能够量化组织内不同细胞与结构的相对空间丰度。2. 基于此表示进行的下游预测（如预后、分子改变、治疗反应）采用了透明的线性模型，性能优异，且避免了传统黑箱深度学习的不可解释性问题。3. 该框架将组织病理学转化为一个可解释的发现平台，支持通过“扰动驱动”的虚拟WSI生成来主动探索空间生物学，形成了一个闭环发现系统。
一句话：PathPrism框架通过将病理切片图像转化为可解释的空间生物标志物频谱，实现了组织结构的透明表示与建模，并支持扰动驱动的主动发现，为计算病理学领域设立了解释性与可发现性的新标准。