1017 artículos
Este artículo propone un marco basado en blockchain que utiliza tokens no fungibles (NFT), contratos inteligentes y técnicas criptográficas para permitir la propiedad verificable, el acceso controlado y la auditoría forense de conjuntos de datos médicos cifrados, abordando así las barreras del intercambio de datos en la investigación biomédica.
Este artículo propone una cascada de aprendizaje profundo unificada de dos etapas que utiliza un modelo EfficientNetV2-S con pérdida asimétrica para detectar 28 enfermedades retinianas del conjunto de datos RFMiD y, posteriormente, emplea una compuerta consciente de la incertidumbre calibrada mediante Platt para dirigir los casos positivos de retinopatía diabética a una segunda etapa para la gradación de severidad ordinal en el conjunto de datos APTOS-2019, logrando un alto rendimiento al tiempo que aborda la degradación significativa en la precisión del reconocimiento causada por la coocurrencia de múltiples enfermedades.
El artículo propone EBC-FL, un marco de aprendizaje federado de cerebro-cerebelo encarnado para redes inalámbricas de baja altitud asistidas por satélite que optimiza el compromiso entre la fiabilidad crítica para la seguridad, la conciencia semántica y el volumen de carga mediante la integración de memoria semántica basada en tierra, coordinación de satélites MEO y políticas locales ligeras.
PhenoAgent es un marco de trabajo de LLM agéntico y preservador de la privacidad que utiliza la descomposición de consultas estructuradas, la autocorrección y el consenso multimodelo para extraer con precisión fenotipos clínicos de registros electrónicos de salud en texto libre, superando significativamente a los modelos base tradicionales y equiparándose al rendimiento de los médicos en conjuntos de datos de hospitales japoneses.
Este estudio compara el análisis temático humano y el asistido por IA en la investigación cualitativa quirúrgica, encontrando que, si bien ambos métodos identifican temas generales similares, los libros de códigos generados por humanos producen una mayor fiabilidad intercodificadora debido a límites temáticos más claros, lo que sugiere que un enfoque híbrido que combine la eficiencia de la IA con el refinamiento humano puede ser óptimo.
Este artículo propone la Red de Representación Robusta ante la Ausencia de Modalidades (MMR-Net, por sus siglas en inglés), un marco de aprendizaje profundo entrenado con el conjunto de datos público IXI que utiliza codificadores específicos de cada modalidad, un espacio latente compartido y una estrategia de abandono de modalidad para mantener un rendimiento robusto en las tareas de regresión de edad cerebral y clasificación de sexo mediante resonancia magnética cerebral a pesar de la ausencia de secuencias de imagen.
Este estudio desarrolla y evalúa un marco de PLN multimodelo e interpretable que detecta eficazmente las reacciones adversas a los medicamentos y evalúa la eficacia del tratamiento a partir de reseñas de pacientes a gran escala, demostrando que los enfoques tradicionales de aprendizaje automático superan a la clasificación zero-shot basada en transformers en este dominio.
Este estudio evalúa 16 modelos de lenguaje de gran tamaño con datos reales de triaje en departamentos de urgencias, encontrando que, si bien el uso de prompts estructurados puede lograr una concordancia sustancial con el personal de enfermería para la clasificación de la gravedad, la mayoría de los modelos exhiben una precisión limitada, una deficiente asignación de sectores, un exceso de confianza sistemático y un comportamiento no determinista, lo que indica que aún no están listos para la implementación clínica sin validaciones y mejoras adicionales.
Este estudio demuestra que una herramienta de IA accesible y optimizada iterativamente, que utiliza meta-prompting y directrices específicas del dominio, supera significativamente tanto a los modelos de IA base como a las revisiones por pares humanas al proporcionar comentarios estructurados y de alta calidad para manuscritos de cirugía plástica, ofreciendo así una solución escalable para apoyar a los investigadores en entornos con recursos limitados.
Este estudio presenta FusionAttNet, un novedoso marco de aprendizaje profundo que integra datos ópticos de Sentinel-2 y SAR de Sentinel-1 a través de un mecanismo de atención jerárquica consciente de la modalidad para lograr una precisión del 96,75% en la clasificación de la cobertura terrestre semiárida en el Extremo Norte de Camerún, superando significativamente a los métodos de fusión tradicionales al abordar eficazmente la homogeneidad espectral, la cobertura de nubes y la variabilidad estacional.