《“深焦”：用于数字病理的单次空谱自动聚焦模型》介绍了一种名为“深焦”的新型自动聚焦框架，旨在解决高通量扫描过程中因组织样本三维形态导致的最佳焦平面变化问题。该模型采用双编码器回归架构，从空间域和频域提取特征并融合，从而实现单次成像预测最佳焦平面。研究团队还开发了集成化自动化显微镜系统，基于普通手动显微镜改造，包括三电机控制平台、双模式相机和树莓派控制系统，支持实时自动对焦与扫描。实验验证表明，“深焦”在Incoherent数据集上达到0.18μm的聚焦误差，性能与现有最佳方法相当，并具有更好的跨组织类型和染色协议泛化能力。这一创新为低成本高效的数字病理扫描提供了新的解决方案。

本文介绍了一种名为“我的医疗问卷”的系统，旨在解决数字健康时代中由于技术不熟练或感官受损等原因导致的数字表单填写难题。该系统由斯坦福大学等机构联合开发，基于大语言模型GPT-4驱动，通过整合语音、触摸和视觉三种模态实现无缝交互，使不同能力水平的用户能够独立完成复杂的健康评估。系统设计强调模态间的平等与互补性，当某一模态遇到问题时，用户可以平滑切换至其他模态继续操作而不中断流程。此外，为了提高准确性与用户体验，研究团队还进行了严格的提示工程优化，并将任务分解为答案分类与生成回复两个子任务来处理复杂对话场景。这项工作对于促进健康公平及降低医疗服务接入门槛具有重要意义。

《临床研究专业人员对人工智能的负责任监督》白皮书由临床研究专业人员协会发布，为临床研究专业人士提供AI应用与监督指南。AI自1950年代提出，近年进入“AI 3.0”阶段，但广泛应用也暴露出局限性，当前AI技术正处于“过高期望峰值”阶段。全球监管机构正逐步建立AI治理体系，呈现基于风险的分级监管、垂直（行业）监管、国际协作与规范建设等趋势，临床研究人员需关注非研究类法规及新型协作机制。为应对AI风险，组织机构建立内部监督机制，以“可信赖AI”或“负责任AI”为框架，核心要素包括偏见缓解、可解释性、数据隐私与安全等。

《人类与AI协同设计临床预测模型》介绍了“海奇”框架，这是一种通过人机协同加速完全可解释临床预测模型开发的新方法。该框架利用AI智能体自主探索和临床AI团队反馈优化的闭环机制，实现非结构化临床数据向可解释预测模型的高效转化。外层循环中，临床AI团队通过合规Web界面审核AI输出并提供反馈；内层循环中，AI智能体基于大语言模型快速探索和评估候选概念。在两项真实世界任务中验证了其有效性，如预测儿童头部创伤后创伤性颅脑损伤的风险，最终模型AUC达到0.91，显著优于传统方法。这一设计不仅提高了数据处理效率，还确保了模型的临床相关性和可靠性。

《医疗人工智能：核心原则、实际影响与未来展望》白皮书指出，AI正从根本上改变医疗服务方式，成为医疗连续体中不可或缺的核心部分，实现其潜力的关键在于理解机制、建立安全护栏并确保“人在环”。白皮书还辨析了AI、机器学习、自然语言处理、生成式AI与智能体AI等关键概念。白皮书强调，AI可解决医生管理负担过重和职业倦怠问题，通过自动化管理任务，让临床人员专注患者诊疗。具体案例显示，AI可为支付方、药房、医疗服务提供方、生命科学与研究团队等创造价值，如实现更快更准确的医疗审核、自动化事前授权提交、减少行政管理任务耗时、加速证据生成等。

OpenAI发布报告《AI是医疗盟友：美国人如何利用ChatGPT驾驭医疗体系》，揭示ChatGPT在全球及美国医疗咨询中的广泛使用。数据显示，全球超5%的ChatGPT消息与医疗相关，美国超40%用户每周至少咨询一次，反映出美国医疗体系存在痛点。核心应用场景包括：体系导航与自我倡导，用户通过其管理健康，典型案例有跨境紧急协助、保险申诉支持；弥补医疗资源缺口，70%医疗对话发生在非门诊时间，农村地区依赖度高；辅助医护人员工作，2024年66%的美国医生使用AI处理任务，医学图书馆员使用率最高。报告还提出开放医疗数据连接等四大政策建议，为医疗创新与政策讨论提供实证基础。

2026年1月4日获悉，《解构数字健康与人工智能行业：利用AI与数字健康解决方案应对医疗可及性与医务人员短缺危机》白皮书系统性地探讨了人工智能与数字健康技术如何应对美国医疗系统当前面临的双重核心挑战：日益严峻的医疗可及性危机与不断加剧的医务人员短缺。全文围绕这一核心主题，深入分析了行业现状、关键驱动力、具体应用场景以及未来发展趋势。白皮书的核心论点是：广泛采用可信赖的、基于证据的、由AI赋能的数字健康解决方案，是应对这场危机、稳定医疗体系的关键乃至唯一途径。数字健康与AI的价值主要体现在两个核心属性上：无阻碍的可及性、医务人员队伍优化。白皮书展示了行业从早期“远程医疗”到如今涵盖远程护理管理、患者参与、数据分析及AI自动化的“数字健康”生态的爆炸式增长。特别是自2023年以来，生成式AI（如GPT-4）的兴起正从根本上改变医疗服务的面貌。报告对AI的关键概念（如神经网络、自然语言处理、基础模型、多模态AI、智能体型AI系统等）进行了清晰界定，并强调AI在医疗领域的应用已从传统的医学影像分析、药物发现，扩展到支持行政管理功能、临床决策、个性化治疗计划等更广泛领域。

《“德尔福AI”：预测药物反应与耐药性的AI智能体》一文介绍了一种创新的AI智能体——“德尔福AI”，旨在通过整合单细胞扰动预测与机制分析，利用患者来源的肿瘤类器官数据，实现对药物反应和耐药性的精准预测。该研究的核心目标是开发一款能够进行预测与机制分析的AI智能体，并建立双维度基准评估框架，验证其在胶质母细胞瘤药物反应预测中的准确性与临床适用性。“德尔福AI”采用模块化设计，包括实验数据采集、单细胞RNA测序、计算分析及机制解析与推荐等环节。单细胞模块负责数据预处理与扰动预测，通过降维和多种预测算法来捕捉群体水平变化与细胞特异性反应。机制模块则借助大语言模型进行通路富集分析、药物作用机制解读和耐药性联合治疗推荐。这一系统有望在癌症精准治疗中发挥重要作用。

本文介绍了一种基于大语言模型（LLM）的多智能体系统，旨在优化医嘱集，提高医疗质量和效率。该系统由五个核心智能体组成：内容批判智能体、动态搜索智能体、知识检索智能体、药物验证智能体和建议总结智能体，通过结构化顺序对话协作完成任务。系统采用检索增强生成（RAG）流程和提示词工程，无需微调基础模型即可适应医学知识的变化。实验评估显示，系统在45个人工修改的医嘱集上实现了88%的准确性。研究还开发了定制化过滤器，进一步提升建议质量。这一创新性方案为解决传统医嘱集优化过程中耗时耗力且难以及时跟进临床证据更新的问题提供了新的途径。

新发布的《人工智能在药物警戒中的应用》共识报告，聚焦AI在药物警戒（PV）领域的应用与规范，提供系统性指导框架。报告立足保障患者用药安全，探讨AI应用潜力、原则、案例及方向。随着全球药物研发加速，传统人工处理模式面临挑战，AI技术为解决痛点提供新路径。报告核心目标是建立长期适应性指导原则，确保AI应用安全有效合规，受众广泛。报告梳理了AI在不良事件捕获、个案安全报告处理、信号检测与分析等各环节的应用现状，多处于试点或有限部署阶段，大规模推广仍需解决有效性验证等问题。此外，报告还提出了七大核心指导原则，构成AI在药物警戒应用的基石。

欧盟《人工智能在医疗领域的应用部署研究》报告评估AI在欧盟医疗系统的部署现状、潜力、挑战及未来方向。AI通过深度学习等手段，在疾病筛查、诊断、治疗及健康管理等方面潜力巨大，如提高诊断准确性、加速药物研发等。欧盟作为AI应用先驱，通过政策法规提供法律框架，在医学影像分析、远程患者监测和个性化医疗等领域取得显著进展，如AI系统实现疾病早期筛查、实时监测患者生命体征、提供个性化治疗方案等。但AI在医疗领域部署仍面临技术与数据挑战，如数据标准化与互操作性难题、IT基础设施落后等。

《AI智能体在临床试验优化中的应用：提升临床研究效率》白皮书阐述了AI在临床研究领域的革命性应用。临床研究正快速演变，AI成为提升试验效率与效力的关键，可应对患者招募难、数据管理复杂等挑战，缩短周期、降低成本、提高投资回报率。白皮书构建了AI助手框架，其核心构成包括：基础技术层，涵盖自然语言处理、机器学习模型、数据集成框架；协议与设计优化，有自动化协议审查、入组/排除标准分析、研究设计推荐；以患者为中心的特征，包括患者招募与留任优化、患者参与度监测、不良事件预测等；还有研究中心选择与管理相关内容。

《首先，不要伤害：迈向临床安全的大语言模型》一文探讨了大语言模型在医疗领域的应用及其潜在风险。研究由斯坦福大学、哈佛医学院等机构联合进行，首次系统性地通过“不伤害”基准评估了31个大语言模型在真实临床场景中的安全性。该基准基于10,639份真实的电子会诊病例，并采用多选项评估框架和专家共识标注方法，以衡量模型输出对患者的潜在伤害。研究发现，当前主流AI模型存在显著的安全风险，强调了未来临床AI安全评估与监管的重要性。此外，研究还揭示了模型在避免疏忽性和实施性伤害方面的能力，为改进AI辅助决策提供了关键数据支持。

《领域专用基础模型显著提升神经病理学AI分析性能》一文介绍了研究人员开发的“神经基础模型”，该模型基于DINOv2框架，采用视觉转换模型架构，通过自监督学习从大规模神经病理全切片图像中提取特征。训练数据集包含约10亿图像块，涵盖多种神经退行性疾病和大脑解剖区域。研究团队构建了包含585,657张H&E染色全切片图像的多机构数据集，其中80%为神经病理学数据，20%为普通病理切片，以增强模型鲁棒性和泛化能力。在11大类疾病、60项多样化的神经病理学下游任务上进行全面评估后，“神经基础模型”在所有任务中均表现出色，特别是在神经退行性共济失调（AUC 0.934）、混合痴呆诊断及阿尔茨海默病神经病理变化检测等方面显著优于现有通用病理基础模型。此外，尽管仅在H&E数据上训练，该模型在免疫组化分类任务上也展现了良好的跨模态泛化能力。

《医疗人工智能的全局日志》指出，生成式AI在医疗领域广泛部署，但缺乏系统化手段记录其使用情况，为患者安全和医疗质量埋下隐患。为此，全球顶尖机构和企业研究团队提出“医疗日志”协议框架，借鉴“系统日志”理念，为医疗AI交互事件创建标准化记录，奠定持续监测、审计与迭代改进的数据基础，开启全新研究范式。当前医疗AI监管与评估框架难以适应现代生成式AI复杂工作流，且缺乏事件级实时监控与审计方案，“医疗日志”应运而生，关注人机交互及所有可能影响患者结局的AI过程。“医疗日志”记录由九大字段构成，包括头部、模型实例、用户身份等，旨在全面捕捉AI交互的上下文、过程与结果。

2025年12月2日获悉，本文介绍了一项创新的临床人工智能系统——“诊断大语言模型”，该框架通过融合贝叶斯反卷积、表达数量性状位点（eQTL）引导的深度学习以及基于大语言模型的叙述生成技术，实现了对疾病（尤其是阿尔茨海默病）的高精度、可解释诊断。该系统不仅强调预测的准确性，更注重输出的透明性与生物可解释性，从而提升了临床医生和患者对AI决策的信任度。“诊断大语言模型”作为一个模块化、可解释的疾病诊断框架，成功整合了贝叶斯反卷积、遗传调控建模与语言智能，在提升预测性能的同时，实现了对模型行为的透明解释。其核心优势在于：信号提取的鲁棒性、预测的生物学基础、解释的人本化。未来工作可进一步优化大语言模型提示的关联机制，加强特征归因与解释生成的逻辑衔接，并将框架扩展至更多疾病类型与多模态数据。“诊断大语言模型”为推动可信、可操作的临床AI系统提供了有前景的范例，标志着在精准医疗中实现“预测-解释”一体化的重要进展。

本文由谷歌维尔利生命科学公司、英伟达与谷歌的研究团队合作完成，提出了一种创新的多模态电子病历基础模型，首次将多基因风险评分（PRS）作为核心数据模态整合进电子病历中。该研究利用了美国“我们所有人的研究计划”中的丰富临床与基因组数据，旨在探索临床数据与遗传倾向之间的复杂关系，推动个性化医疗的发展。研究提出了两种主要的模态整合架构：交叉注意力机制和适配器模块，基于GPT-2解码器架构进行扩展，支持自监督学习。数据来源包括约15万名参与者的数据，涵盖结构化电子病历、基因组数据和调查问卷等。PRS基于Pan-UKB联盟的全基因组关联研究计算得出，最终保留了3481个显著相关的PRS特征。这一创新方法通过路径计算概率，改进了传统蒙特卡洛采样方法的风险评估，提高了预测的准确性。

本文介绍了一个基于MCP智能体的多语言、隐私优先的医疗AI框架。该系统整合了三大关键技术：基于模型上下文协议（MCP）的智能体协同、内嵌的隐私与合规层以及多语言可访问性，旨在解决现有医疗AI工具在隐私保护、可解释性和多语言支持方面的不足。通过模块化和可扩展的设计，系统能够协调多个智能体完成症状检查、用药建议和预约管理等任务。隐私与合规层则通过字段级加密、基于角色的访问控制、防篡改审计日志和基于知情同意的透明度等措施，确保数据安全和合规性。这一研究原型为构建既智能又值得信赖的医疗AI系统提供了新的思路。

2025年11月6日获悉，《AI智能体劳动力正进入医疗领域》行业白皮书深入探讨了人工智能在医疗领域发展的“第三波浪潮”——AI智能体劳动力队伍的兴起。本白皮书旨在阐明语音AI智能体的定义、工作原理、当前应用、评估方法以及实施路径，为医疗机构如何利用这一新兴技术应对人力短缺、提升运营效率和改善患者体验提供了全面的视角。这份白皮书清晰地描绘了AI智能体劳动力在医疗领域的光明前景。它不仅是应对当前人力资源危机的技术解决方案，更是推动医疗服务质量、效率和可及性迈向新阶段的催化剂。通过将语音AI智能体视为一种新型的、可扩展的劳动力，医疗机构能够优化资源分配，减轻员工负担，并最终为患者提供更即时、个性化和连贯的医疗体验。成功的关键在于以审慎和战略性的眼光进行评估与实施，让人工智能与人类专业智慧协同工作，共同构建一个更强大、更有韧性的医疗体系。

这篇文章探讨了当前医学人工智能领域存在的“平均患者谬误”问题，即基于大规模人群数据优化的AI模型在处理罕见病、多种共病症或代表性不足人群时表现不佳。为解决这一问题，研究人员提出了一种面向“单一个体”的多智能体AI生态系统。该系统分为三层：共享模型与方法库作为基础层，提供各种预测和分析工具；专业领域智能体构成中间层，专注于特定临床领域的数据分析；协调层则负责整体协调，确保个体层面的可靠性和准确性。这种架构旨在将AI从服务于“人群”的工具转变为专注于“个体”的临床伙伴，从而提高医疗的公平性和可信度。