4月14日,中国 北京——致力于帮助客户创造性地解决最关键的可扩展性、互操作性和系统速度问题的数据技术提供商 InterSystems助力全球抗击新冠肺炎,为澳大利亚包括圣文森特病理检测机构(SydPath)、Austech医学实验室、Goulburn Valley医疗集团等在内的五家医学检验检测机构提供技术支持。
为应对当前危机,提高新冠病毒检测能力,这五家医学检验检测机构都订购了PCR分析仪(通常用于检测流感病毒等),并希望InterSystems能够提供定制的数据接口,将PCR分析仪与现有的InterSystems TrakCare实验室业务管理系统连接起来。在新订购的PCR分析仪到位之前,InterSystems用24-48小时便满足了客户这一需求。
TrakCare接口减少了数据输入,确保遵守每个实验室的检测规则和协议。此外,确保检测结果能够通过线上即刻传递给临床相关医生。将新的检测方式整合到现有工作流中,降低了周转时间,进而提高了整个医疗系统应对新冠病毒的能力。
“我们在二月初就为提升检测量做好了准备——我们采购一个快速PCR分析仪,在出现新冠肺炎疑似患者时,能为我们的急诊科争取到一个小时的周转时间。”悉尼圣文森特病理检测机构(SydPath)首席执行官Greg Granger说,“InterSystems不到一天就为新PCR分析仪提供了定制接口,真的是很了不起!我们的仪器一抵达就上线了!”
Austech总经理Nadeem Khaliq说:“在过去几天里,我们在同一周转时间内,每天的检测量从0提升到了500。” Austech医学实验室服务于整个大悉尼地区的临床医生,Austech医学实验室PCR部门负责人Mohsen Bilal直接参与新冠肺炎病毒的检测工作,Mohsen Bilal介绍道:“我们订购了新机器后向InterSystems提出接口需求,很快便得到了积极回应。新机器是两天内到达的,InterSystems有很棒的团队,所以才会有非常出色的快速响应能力!”据Bilal介绍,InterSystems提供的接口减少了结论输入时间,使检测结果能够以精准可靠的方式即刻传递给临床医生。
Austech医学实验室正在进行一个PCR实验室的收尾工作,计划于一周内完工,这个实验室将容纳两台最新的PCR分析仪,以缩短周转时间,提升检测量。“这将提升我们的服务能力,减轻公立医院、其他实验室的压力,减轻易感人群集中的疗养院的压力。”Khaliq说,“此外,我们能够投入更多资源帮助社区里需要额外帮助的非英语人士,包括走访无法参加手术或到医院就诊的患者。”
Goulburn Valley医疗集团位于维多利亚州,该集团信息系统负责人Jeremy Fowler认为,居家进行新冠肺炎病毒检测,而不是将样本提交给两个半小时车程外的墨尔本,可以节省周转时间。“我快中午的时候收到了InterSystems同意提供接口支持的邮件,下午就在测试系统中看到新添加的接口了。”Fowler说,“这对实验室工作绝对是一大进步,科学家们只要专注于自己的工作就行,不用再将测试细节输入并从仪器上转录出来。”
“我为我们客户在抗击新冠肺炎疫情前线做出的卓越贡献所折服。”InterSystems亚太区总经理卢侠亮(Luciano Brustia)说,“能够助力SydPath、Austech、Goulburn Valley等众多临床医学检验检测机构,我们感到很自豪,我们将继续不遗余力地为应对疫情大流行的客户提供帮助!”
此次InterSystems能够实现快速响应,得益于为全球医疗机构提供互操作解决方案的强大专业背景。不同医疗信息系统和设备之间的数字接口是InterSystems IRIS医疗版的核心组件,InterSystems大部分产品都基于此研发构建。
互操作能力已融入InterSystems HealthShare统一的健康档案和InterSystems TrakCare统一的医疗信息系统这两大产品。TrakCare实验室的功能既可以在统一的信息系统中使用,也可以作为独立解决方案部署,现已在澳大利亚、新西兰、东南亚、中国及世界各地广泛应用。
今年2月,InterSystems面向全球用户发布了最新版TrakCare,提供了COVID-19筛查功能和感染患者管理功能。InterSystems还采取了保护员工健康和福利的措施,以确保继续为客户提供不间断的支持。
好文章,需要你的鼓励
这项由加州大学圣地亚哥分校和微软研究院合作开发的REAL框架,通过程序分析反馈训练大型语言模型生成高质量代码。与传统方法不同,REAL采用强化学习将代码安全性和可维护性作为奖励信号,不依赖人工标注或特定规则。研究在多个数据集上的实验表明,REAL在保证功能正确性的同时显著提高了代码质量,有效解决了"即兴编程"中的安全漏洞和维护性问题,为AI辅助编程提供了新的范式。
加州大学伯克利分校与Meta FAIR研究团队开发了"Self-Challenging"框架,让大语言模型通过自己创建和解决任务来提升能力。该方法引入创新的"Code-as-Task"格式,包含指令、验证函数、示例解决方案和失败案例,确保生成的任务既可行又有挑战性。在工具计算、网页浏览、零售服务和航班预订四种环境测试中,仅使用自生成训练数据,Llama-3.1-8B模型性能提升了两倍多,证明AI可以通过自我挑战实现有效学习,减少对人类标注的依赖。
南洋理工大学与SenseTime Research合作提出了PoseFuse3D-KI,一种创新的人体中心关键帧插值框架。该方法将3D人体模型信息融入扩散过程,解决了现有技术在处理复杂人体动作时产生扭曲结果的问题。研究团队开发了专门的SMPL-X编码器直接从3D空间提取几何信息,并设计了融合网络将3D线索与2D姿态无缝整合。他们还构建了CHKI-Video数据集,包含2,614个视频片段及完整的人体标注。实验结果显示,PoseFuse3D-KI在PSNR上提升9%,LPIPS减少38%,显著超越现有方法。
这项研究提出了LongGuide算法,解决了大型语言模型在长文本生成任务中的局限性。研究团队发现,仅依靠上下文学习无法使模型充分掌握文本的语言和格式特性。LongGuide通过自动生成两种指导原则:度量指导原则和输出约束指导原则,显著提升了模型性能。在七种长文本生成任务中,该方法使开源和闭源模型的ROUGE-L评分平均提高约6%。LongGuide具有通用性强、易于学习、成本效益高等优点,为提升AI长文本生成能力提供了新方向。