RES-MR：LLM风险感知用药推荐框架发布
热点事件持续更新
RES-MR：LLM风险感知用药推荐框架发布
1 篇报道1 个报道来源16 小时前更新
先了解这件事
AI 综述
Cong Wang 等作者发布论文预印本，提出基于 LLM 的风险感知推理框架 RES-MR，用于可解释且安全的用药推荐。该框架采用两阶段训练：第一阶段通过合成推理轨迹微调进行可解释临床推理蒸馏，并结合图检索获取患者特定知识；第二阶段用解耦药物因子构建患者特定参考原型，通过奖励塑造与裁剪实现风险边界校准。 作者称，基准数据集实验显示 RES-MR 在准确性、安全性和可解释性上显著优于 SOTA 基线，代码与数据已公开。上述结论来自论文自述，尚待独立验证。
AI 根据报道生成 · 2 小时前更新
最新进展10月15日 12:00
RES-MR：基于 LLM 的风险感知推理框架，实现可解释且安全的用药推荐报道时间线
沿着报道，了解事件的不同侧面。
10月15日
- arXiv：cs.AIRES-MR：基于 LLM 的风险感知推理框架，实现可解释且安全的用药推荐
RES-MR 是一个基于 LLM 的风险感知推理框架，用于可解释且安全的用药推荐，采用两阶段训练范式。第一阶段通过合成推理轨迹微调进行可解释临床推理蒸馏，结合图检索获取的患者特定知识；第二阶段用解耦药物因子构建患者特定参考原型，通过奖励塑造与裁剪实现风险边界校准。基准数据集实验显示，RES-MR 在准确性、安全性和可解释性上显著优于 SOTA 基线，代码与数据已公开。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。