2022年9月5日 中国 北京 致力于帮助客户解决最关键的可扩展性、互操作性和速度问题的创新数据技术供应商InterSystems今日宣布与PreferUS医疗达成合作。通过部署InterSystems TrakCare统一的医疗信息系统,InterSystems将助力PreferUS医疗在上海打造其首个运动医学中心(SMSC)。
自2008年以来,PreferUS医疗始终致力于在中国医疗市场建立强大的基础和影响力。首个运动医学外科中心(SMSC)坐落于上海繁华地段,将专注于运动医学。除日间手术中心外,该中心还将包括相关的实验室服务。通过为骨科、运动医学医生提供一站式服务平台,为中国运动医学市场打造以西医为核心的独特服务模式。
作为一个全面而强大的医疗信息系统,InterSystems TrakCare®统一医疗的信息系统可提供、管理和转化医疗服务,为PreferUS提供无缝连接的系统和流程。通过采用TrakCare PAS、TrakCare®实验室信息系统等8个模块,PreferUS可以通过无缝信息流支持全生命周期的医疗服务和管理。更重要的是,TrakCare有助于PreferUS在未来打造多个医学中心。
“上海的运动医学外科中心(SMSC)是我们首次尝试。我们的战略计划是在中国打造多家SMSC,对这一战略的支持是我们考察临床信息系统时非常看重的关键因素。TrakCare可以满足我们这一需求。另外,TrakCare对多语种的支持对我们海外的医生团队也更加友好。” PreferUS中国区总经理陈栋表示。
InterSystems将全球最佳实践融入TrakCare,并预先配置后交付给本地客户,以降低复杂性和风险。因此,PreferUS可以将精力集中在最重要的事情上。
“InterSystems TrakCare为SMSC未来的持续发展提供了坚实基础。服务中国近25年后,InterSystems获得了中国客户的极高赞誉。” InterSystems亚太区总经理卢侠亮(Luciano Brustia)表示,“InterSystems拥有全球顶级的技术与解决方案,我坚信我们会助力PreferUS在中国市场打造一个健康的医疗服务平台。”
关于InterSystems
InterSystems创立于1978年,是为医疗、金融、制造、供应链等行业提供企业级数字化转型下一代解决方案的领先供应商。InterSystems的云优先数据平台为全球大型企业解决各类互操作性、速度和可扩展性难题。InterSystems致力于成就卓越,为全球80多个国家的客户与合作伙伴提供广受赞誉的7×24小时技术支持。InterSystems是一家总部位于美国马萨诸塞州剑桥市的私人控股公司,在全球25个国家拥有36个办事处。更多详情,敬请登录:https://www.intersystems.cn
关于优选医疗集团(PreferUS)
优选医疗集团(PreferUS)成立于2008年,是美国最大的医院+医生集团之一。优选致力于将美国的先进医疗技术和服务引入中国,为中国医疗市场提供高质量的医疗服务。我们的股东包括美国西部最大的综合性医院—西达-塞奈医疗中心(2022年美国医院综合实力排名第二),俄克拉荷马心脏病医院、德克萨斯脊柱研究所,克兰·乔布运动医学中心、印尼金光集团和100多位美国顶级医生投资人。
好文章,需要你的鼓励
亚利桑那州立大学的研究团队开发了RefEdit,这是一种新型图像编辑AI系统,能够准确理解和处理指代表达(如"中间那个人"、"右边的猫")。通过创建RefEdit-Bench基准测试,研究者们证明现有模型在多物体场景中表现不佳。他们设计了一种创新的数据生成流程,仅用2万样本就训练出的RefEdit模型超越了使用数百万样本训练的大型模型。这一突破使AI图像编辑在复杂场景中更加精确和实用。
这项研究提出了Critique-GRPO,一种创新的在线强化学习框架,将自然语言批评与数字反馈相结合,克服了传统仅用数字反馈的三大局限:性能瓶颈、自我反思效果有限和顽固性失败。实验表明,该方法使大语言模型能够从错误中学习并改进,在八项数学和通用推理任务中,将Qwen2.5-7B和Qwen3-8B模型的平均通过率分别提高了约4.5%和5%,超越了包括那些引入专家示范的方法。研究还揭示,高熵探索和长回答并不总是最有效的学习方式,质量更重要。这一方法为大语言模型的自我提升能力开辟了新路径。
这篇研究介绍了"量化LLM评价者",一个创新框架,能使大型语言模型(LLM)在评估其他AI输出时更接近人类判断。由麻省理工和Adobe联合研发的这一方法,将评估过程分为两个阶段:先让LLM生成文本评价,再用轻量级机器学习模型将这些评价转化为更准确的数值评分。研究提出了四种评价者模型,适用于不同评估场景,实验表明它们不仅能显著提高评分准确性,还比传统微调方法更节省计算资源。这一框架特别适合人类反馈有限的场景,为AI评估领域开辟了高效且可解释的新路径。
这项研究由IDEA、华南理工大学和北京大学联合开发的Rex-Thinker系统,通过模仿人类的链式思考方式来解决物体指代问题。与传统直接输出边界框的方法不同,它采用规划-行动-总结的三步骤推理,使AI能像人类一样逐步分析图像中的候选物体,并在找不到匹配物体时拒绝作答。通过构建90,824样本的HumanRef-CoT数据集和两阶段训练方法,系统在精度、可解释性和泛化能力上均取得了显著进步。