医学 AI

First, Do No Harm (With LLMs): Mitigating Racial Bias via Agentic Workflows

首先，不要伤害（与LLM一起）：通过代理工作流减轻种族偏见

Sihao Xing, Zaur Gouliev

机构 * School of Enterprise Computing and Digital Transformation（企业计算与数字化转型学院） ； Technological University Dublin（都柏林技术大学） ； School of Information and Communication Studies（信息与传播研究学院） ； University College Dublin（都柏林大学学院） 纠错

专题命中 临床大模型 ：diagnosis(abstract)

AI总结 研究通过代理工作流评估医疗LLM中的种族偏见，发现DeepSeek V3在诊断任务中表现最佳，嵌入代理工作流后显著降低偏见指标。

EMSDialog: Synthetic Multi-person Emergency Medical Service Dialogue Generation from Electronic Patient Care Reports via Multi-LLM Agents

EMSDialog: 通过多LLM代理从电子患者护理报告生成合成多人紧急医疗服务体系对话

Xueren Ge, Sahil Murtaza, Anthony Cortez, Homa Alemzadeh

机构 * School of Engineering and Applied Sciences, University of Virginia（弗吉尼亚大学工程与应用科学学院） ； School of Medicine, University of Virginia（弗吉尼亚大学医学院） 纠错

专题命中 临床大模型 ：diagnosis(abstract)

AI总结 本文提出基于ePCR的多代理生成流程，生成4414个合成多说话者EMS对话数据集，提升EMS对话诊断预测的准确性、及时性和稳定性。

Comments Accepted by ACL Findings 2026

RePrompT: Recurrent Prompt Tuning for Integrating Structured EHR Encoders with Large Language Models

RePrompT：基于结构化电子健康记录编码器的循环提示微调

Arya Hadizadeh Moghaddam, Drew Ross, Mohsen Nayebi Kerdabadi, Dongjie Wang, Zijun Yao

机构 * University of Kansas（堪萨斯大学） 纠错

专题命中 临床大模型 ：diagnosis(abstract)

AI总结 RePrompT通过循环整合结构化EHR编码器与大语言模型，解决时间序列信息丢失和代码身份模糊问题，提升临床预测性能。

Comments Finding of ACL 2026 - Accepted Paper

Calibrated? Not for Everyone: How Sexual Orientation and Religious Markers Distort LLM Accuracy and Confidence in Medical QA

校准？并非人人适用：性取向和宗教标志如何扭曲LLM在医疗问答中的准确性和置信度

Alberto Testoni, Iacer Calixto

机构 * Department of Medical Informatics, Amsterdam University Medical Center, University of Amsterdam, Amsterdam, The Netherlands（阿姆斯特丹大学医学信息学系，阿姆斯特丹大学医学中心，阿姆斯特丹，荷兰） ； Amsterdam Public Health, Methodology, Amsterdam, The Netherlands（阿姆斯特丹公共卫生，方法学，阿姆斯特丹，荷兰） 纠错

专题命中 临床大模型 ：biomedical(abstract)

AI总结 本文研究了患者的社会描述（性取向和宗教归属）如何扭曲LLM的不确定性信号和准确性，发现身份标志导致校准危机，影响置信度信号的可靠性，对医疗部署构成风险。

Comments Accepted to ACL 2026 (Main Conference)

From Attribution to Abstention: Training-Free Attention-Based Auditing for Clinical Summarization

从归因到回避：基于注意力的无训练审计用于临床摘要

Qianqi Yan, Huy Nguyen, Sumana Srivatsa, Hari Bandi, Xin Eric Wang, Krishnaram Kenthapadi

机构 * University of California, Santa Barbara（加州大学圣芭芭拉分校） ； Oracle Health AI 纠错

专题命中 临床大模型 ：radiology(abstract)

AI总结 本文提出ClinTrace框架，通过解码器注意力权重提取临床有用信号，实现无训练的注意力基于审计，提升临床摘要的透明性和可靠性，显著优于基线方法。