医学 AI

From Black-Box Confidence to Measurable Trust in Clinical AI: A Framework for Evidence, Supervision, and Staged Autonomy

从黑盒信心到可测量的信任：临床AI可信框架的构建

Serhii Zabolotnii, Viktoriia Holinko, Olha Antonenko

机构 * Cherkasy State Business College（切尔卡西州商业学院） ； healthPrecision 纠错

专题命中 临床大模型 ：clinical AI(title,abstract)

AI总结 本文提出一个基于证据、监督和分阶段自主的临床AI可信框架，通过模块化提示和层级升级机制提升信任度，强调信任是系统属性而非单一模型属性。

Comments 12 pages, 6 figures

Data-Centric Foundation Models in Computational Healthcare: A Survey

计算医学中的数据驱动基础模型：一项综述

Yunkun Zhang, Jin Gao, Zheling Tan, Lingfeng Zhou, Kexin Ding, Mu Zhou, Shaoting Zhang, Dequan Wang

机构 * Shanghai Jiao Tong University（上海交通大学） ； Rutgers University（罗切斯特大学） ； Shanghai Jiao Tong University, China（上海交通大学） ； Shanghai Innovation Institute（上海创新研究院） 纠错

专题命中 临床大模型 ：healthcare AI(abstract)；分类 cs.LG

AI总结 本文综述了计算医学中数据驱动基础模型的发展，探讨了从预训练到推理的数据中心化方法，旨在提升医疗工作流程，并讨论了AI安全、评估及与人类价值观的对齐问题。

Comments Published in ACM Computing Surveys

Journal ref ACM Comput. Surv. 58, 11, Article 287 (August 2026), 35 pages

Integrating Uncertainty Quantification into Computational Fluid Dynamics Models of Coronary Arteries Under Steady Flow

将不确定性量化整合到冠状动脉在稳态流下的计算流体动力学模型中

Muhammad Usman, Peter N. Castillo, Akil Narayan, Lucas H. Timmins

专题命中 临床大模型 ：diagnosis(abstract)

AI总结 本文通过引入不确定性量化方法，分析输入血流参数对血管壁剪切应力的影响，提升计算模型在临床中的可信度和应用价值。