医療におけるo1は、高度な言語モデル技術を用いて医療データの処理能力と診断精度を向上させることを目的とした、医療分野に特化した人工知能モデルです。UCサンタクルーズ、エディンバラ大学、国立衛生研究所の研究者らによって共同開発され、複数の医療データセットにおけるテストで、医療分野における応用可能性を示しました。o1モデルの主な利点には、高精度、多言語対応、複雑な医療問題への深い理解能力が含まれます。本モデルの開発背景は、特に診断や治療法の提案において、医療分野における効率的で正確なデータ処理と分析へのニーズに基づいています。現在、本モデルの研究と応用はまだ初期段階ですが、医学教育と臨床実践における応用への展望は広大です。

Diabetica-7Bは、糖尿病ケア分野向けに最適化された大規模言語モデルです。診断、治療の提案、薬物管理、生活習慣の提案、患者教育など、糖尿病関連の様々なタスクにおいて優れた性能を発揮します。本モデルはオープンソースモデルを微調整し、特定の疾患データセットと微調整技術を用いて構築されており、再現可能なフレームワークを提供することで、AI支援医療の発展を加速します。さらに、臨床現場での有効性を検証するため、包括的な評価と臨床試験を実施済みです。

Diabetica-1.5Bは、糖尿病ケア分野のために特別に開発された大規模言語モデルです。診断、治療の提案、薬物管理、生活習慣の提案、患者教育など、糖尿病関連の様々なタスクにおいて優れた性能を発揮します。オープンソースモデルを基に開発され、特定の疾患データセットを用いて微調整することで、再現可能なフレームワークを提供し、AIによる医療支援の発展を加速します。

Diabeticaは、糖尿病の治療とケアに特化して開発された高度な言語モデルです。深層学習とビッグデータ分析を通じて、診断、治療勧告、薬物管理、生活習慣改善の提案、患者教育など、多様なサービスを提供します。DiabeticaのモデルであるDiabetica-7BとDiabetica-1.5Bは、複数の糖尿病関連タスクにおいて卓越した性能を示しており、再現可能なフレームワークを提供することで、他の医学分野でも同様のAI技術を活用できる可能性を広げています。

Notion風AIエディターは、Liveblocks、Lexical、Vercel AI SDKに基づいた共同編集可能なテキストエディターのサンプルです。ユーザーはドキュメントをリアルタイムで同時編集し、互いのカーソル位置を確認できます。このエディターにはAIツールバーも統合されており、ユーザーはAIに問い合わせて改善案や新しいコンテンツを生成できます。

MedTrinity-25Mは大規模な多モーダルデータセットであり、多様な粒度の医学注釈を含んでいます。複数の著者によって共同開発され、医学画像およびテキスト処理分野の研究促進を目指しています。データセットの構築には、データ抽出、多粒度テキスト記述の生成などのステップが含まれており、様々な医学画像解析タスク（VQA、病理画像解析など）をサポートしています。

Surgical Robot Transformerは、模倣学習を用いてダビンチ手術ロボット上で手術操作タスクを実行するモデルです。このモデルは、相対運動方程式を用いることでダビンチシステムの順運動学の不正確さを克服し、ロボットによるポリシーの学習と展開を成功させています。この手法の大きな利点は、近似運動学を含む大量の臨床データを、さらなる補正なしに直接ロボット学習に活用できることです。本モデルは、組織操作、針の操作、結紮を含む3つの基本的な手術タスクの実行において成功を収めています。

OculiChatDAは、対話形式で患者の初期診断を行い、適切な医学的助言を提供することを目的とした眼科問診用大規模言語モデルです。画像認識機能を搭載しており、眼底写真から緑内障や糖尿病網膜症の患者かどうかを判断できます。多様なシーン（問診、相談、雑談など）に対応する多段階対話機能を備え、医療資源の偏在問題の解決を目指し、より多くの患者に迅速かつ容易な医療サービスを提供します。

UltraMedicalプロジェクトは、生物医学分野の専門汎用モデルの開発を目指しています。これらのモデルは、試験、臨床場面、研究課題に関する質問に答えることを目的としており、幅広い一般知識を備え、分野横断的な問題にも効果的に対処できるように設計されています。監督微調整（SFT）、直接選好最適化（DPO）、オッズ比選好最適化（ORPO）などの高度なアライメント技術を用いて、大規模言語モデルをUltraMedicalデータセットで訓練し、生物医学コミュニティのニーズに効果的に対応できる強力かつ多機能なモデルを作成します。

医療におけるo1は、高度な言語モデル技術を用いて医療データの処理能力と診断精度を向上させることを目的とした、医療分野に特化した人工知能モデルです。UCサンタクルーズ、エディンバラ大学、国立衛生研究所の研究者らによって共同開発され、複数の医療データセットにおけるテストで、医療分野における応用可能性を示しました。o1モデルの主な利点には、高精度、多言語対応、複雑な医療問題への深い理解能力が含まれます。本モデルの開発背景は、特に診断や治療法の提案において、医療分野における効率的で正確なデータ処理と分析へのニーズに基づいています。現在、本モデルの研究と応用はまだ初期段階ですが、医学教育と臨床実践における応用への展望は広大です。

Diabetica-7Bは、糖尿病ケア分野向けに最適化された大規模言語モデルです。診断、治療の提案、薬物管理、生活習慣の提案、患者教育など、糖尿病関連の様々なタスクにおいて優れた性能を発揮します。本モデルはオープンソースモデルを微調整し、特定の疾患データセットと微調整技術を用いて構築されており、再現可能なフレームワークを提供することで、AI支援医療の発展を加速します。さらに、臨床現場での有効性を検証するため、包括的な評価と臨床試験を実施済みです。

Diabetica-1.5Bは、糖尿病ケア分野のために特別に開発された大規模言語モデルです。診断、治療の提案、薬物管理、生活習慣の提案、患者教育など、糖尿病関連の様々なタスクにおいて優れた性能を発揮します。オープンソースモデルを基に開発され、特定の疾患データセットを用いて微調整することで、再現可能なフレームワークを提供し、AIによる医療支援の発展を加速します。

Diabeticaは、糖尿病の治療とケアに特化して開発された高度な言語モデルです。深層学習とビッグデータ分析を通じて、診断、治療勧告、薬物管理、生活習慣改善の提案、患者教育など、多様なサービスを提供します。DiabeticaのモデルであるDiabetica-7BとDiabetica-1.5Bは、複数の糖尿病関連タスクにおいて卓越した性能を示しており、再現可能なフレームワークを提供することで、他の医学分野でも同様のAI技術を活用できる可能性を広げています。

憶我（ReMe）は、マイクロソフトアジア研究院と上海市精神衛生センターが共同開発したパーソナライズされた認知トレーニングフレームワークであり、認知障害患者にパーソナライズされた認知トレーニングを提供することを目的としています。このフレームワークは、マイクロソフトAzure OpenAIサービスを基盤とし、マルチモーダル大規模言語モデル技術を活用して、テキスト、画像、音声など、複数のモーダルによる入出力を通じて、チャットボット形式でユーザーに認知トレーニング体験を提供します。憶我（ReMe）の革新的な点は、パーソナライズされたマルチモーダルインタラクション機能であり、ユーザーの記憶内容と認知レベルに基づいて、カスタマイズされたトレーニングプランを提供することで、トレーニングの的を絞り、効果を高めます。

Notion風AIエディターは、Liveblocks、Lexical、Vercel AI SDKに基づいた共同編集可能なテキストエディターのサンプルです。ユーザーはドキュメントをリアルタイムで同時編集し、互いのカーソル位置を確認できます。このエディターにはAIツールバーも統合されており、ユーザーはAIに問い合わせて改善案や新しいコンテンツを生成できます。

Health Acoustic Representations (HeAR)は、Googleの研究チームによって開発された生物音響基礎モデルです。咳などの人の発する音を分析することで、疾患の早期兆候を特定することを目指しています。このモデルは3億件の音声データでトレーニングされており、咳の音声データは約1億件使用されています。HeARは健康関連の音声パターンを識別し、医療用音声分析のための強力な基盤を提供します。HeARモデルは、様々なタスクにおいて他のモデルを上回る性能を示し、様々なマイクにおいて優れた汎化能力を有しています。さらに、HeARを用いてトレーニングされたモデルは、トレーニングデータが少ない場合でも高い性能を達成できるため、データが不足している医療研究分野にとって極めて重要です。HeARは現在、研究者に公開されており、カスタム生物音響モデルの開発を加速し、データ、設定、計算の必要性を削減します。

MedTrinity-25Mは大規模な多モーダルデータセットであり、多様な粒度の医学注釈を含んでいます。複数の著者によって共同開発され、医学画像およびテキスト処理分野の研究促進を目指しています。データセットの構築には、データ抽出、多粒度テキスト記述の生成などのステップが含まれており、様々な医学画像解析タスク（VQA、病理画像解析など）をサポートしています。

Surgical Robot Transformerは、模倣学習を用いてダビンチ手術ロボット上で手術操作タスクを実行するモデルです。このモデルは、相対運動方程式を用いることでダビンチシステムの順運動学の不正確さを克服し、ロボットによるポリシーの学習と展開を成功させています。この手法の大きな利点は、近似運動学を含む大量の臨床データを、さらなる補正なしに直接ロボット学習に活用できることです。本モデルは、組織操作、針の操作、結紮を含む3つの基本的な手術タスクの実行において成功を収めています。