关注gongzhonghao【计算机sci论文精选】

近年来，医疗AI在深度学习与多模态技术的驱动下迅猛发展，逐步渗透到疾病诊断、影像分析和药物研发等领域。当前，AI已实现辅助诊疗、基因组学解析等应用，微软DAX Copilot等工具月均处理超200万次医患交互，但依然面临数据隐私、算法偏见等挑战。

未来，依托NIPS推动的算法革新，医疗AI将向个性化诊疗、跨学科协同迈进。今天小图给大家精选3篇有关NeurIPS医疗ai方向的论文，请注意查收！

图灵学术论文辅导

论文一：Uni-Med: A Unified Medical Generalist Foundation Model For Multi-Task Learning Via Connector-MoE

方法：

文章首先通过设计CMoE模块，利用混合专家机制在连接器层面解决多任务学习中的冲突问题，然后构建了包含通用视觉特征提取模块和大型语言模型的Uni-Med架构，实现了对多种医学任务的联合训练。此外，通过大量实验验证了CMoE模块在不同配置下的有效性，并从多个角度对模型性能进行了评估。

创新点：

• 提出了CMoE模块，首次在多模态多任务学习中引入混合专家机制，有效缓解了不同任务之间的冲突。

• 在模型架构上，结合了通用视觉特征提取模块、CMoE模块和大型语言模型，能够处理包括问答、视觉问答、报告生成等多种医学任务。

• 从梯度优化和参数统计的角度，对“拉锯战”问题进行了详细分析，并提供了模型性能提升的理论解释。

论文链接：

https://openreview.net/forum?id=pxSAFfFK6A

图灵学术论文辅导

论文二：LVM-Med: Learning Large-Scale Self-Supervised Vision Models for Medical Imaging via Second-order Graph Matching

方法：

文章首先收集了约130万张涵盖多种器官和模态的医学影像，构建了大规模数据集。接着，提出LVM-Med模型，通过图匹配公式将对比学习扩展到二阶图匹配问题，利用顶点和边的相似性矩阵求解图匹配，学习特征表示。最后，在15个下游医学任务中验证了LVM-Med的性能，包括分割、分类和目标检测等，结果表明其优于多种监督学习和自监督学习方法。

创新点：

• 提出了一种新颖的自监督对比学习算法，通过图匹配公式整合了基于局部和全局信息的先验成对图像相似性度量。

• 利用组合图匹配目标构建的损失函数捕捉特征嵌入的结构约束，有效提升了模型在医学影像数据中的鲁棒性。

• 采用现代隐式最大似然估计技术，实现了对黑盒求解器的高效端到端训练，解决了组合优化问题通常不可微分的难题。

论文链接：

https://proceedings.neurips.cc/paper_files/paper/2023/hash/58cc11cda2a2679e8af5c6317aed0af8-Abstract-Conference.html

图灵学术论文辅导

论文三：MDAgents: An Adaptive Collaboration of LLMs for Medical Decision-Making

方法：

MDAgents框架通过四个阶段处理医疗查询：首先进行医疗复杂性检查，利用临床决策技术将问题分类为低、中或高复杂度；随后按需招募专家——低复杂度问题只需一位初级保健医生，中高复杂度则需多学科或综合护理团队；在分析与综合阶段，复杂度决定分析方法；最终在决策阶段汇总所有输入，为查询提供解答。

创新点：

• 提出了首个自适应医疗决策框架MDAgents，通过动态协作模拟真实世界的医疗决策过程。

• 在7个医疗基准测试中优于以往的单智能体和多智能体方法，并且在不同复杂度的医疗任务中展示了性能与效率的有效权衡。

• 通过严格的超参数测试，证明了MDAgents相比单智能体和多智能体方法具有更好的鲁棒性，并且能够找到每个医疗决策实例的合适复杂度。

论文链接：

https://openreview.net/forum?id=EKdk4vxKO4

选题是论文的第一步，非常重要！

但很多学生找到了热门的选题，却卡在代码和写作上！可见论文要录用，选题-idea-代码-写作都缺一不可！

图灵学术论文辅导，汇聚经验丰富的实战派导师团队，针对计算机各类领域提供1v1专业指导，直至论文录用！每天2个免费咨询名额，机会有限先到先得！

本文选自gonzhonghao【计算机sci论文精选】