3900 पेपर
यह शोध पत्र निचले अग्रबाहु (लोअर फोरआर्म) की 11 शारीरिक संरचनाओं के स्वचालित 3D विभाजन और विज़ुअलाइज़ेशन के लिए एक AI-संचालित दृष्टिकोण प्रस्तुत करता है, जिसका उद्देश्य मस्कुलोस्केलेटल अल्ट्रासाउंड दक्षता को बढ़ाना और एक बेडसाइड शिक्षण उपकरण के रूप में कार्य करना है।
यह शोध पत्र एक ब्लॉकचेन-आधारित ढांचे का प्रस्ताव करता है जो नॉन-फंजिबल टोकन (NFTs), स्मार्ट कॉन्ट्रैक्ट्स और क्रिप्टोग्राफिक तकनीकों का उपयोग करता है ताकि एन्क्रिप्टेड मेडिकल डेटासेट के सत्यापन योग्य स्वामित्व, नियंत्रित पहुंच और फोरेंसिक ऑडिटिंग को सक्षम बनाया जा सके, जिससे बायोमेडिकल अनुसंधान में डेटा साझाकरण की बाधाओं को दूर किया जा सके।
यह शोध पत्र एक एकीकृत दो-चरणीय डीप लर्निंग कैस्केड प्रस्तावित करता है जो RFMiD डेटासेट से 28 रेटिनल रोगों का पता लगाने के लिए एसिमेट्रिक लॉस के साथ एक EfficientNetV2-S मॉडल का उपयोग करता है और तत्पश्चात APTOS-2019 डेटासेट पर ऑर्डिनल गंभीरता ग्रेडिंग के लिए डायबिटिक रेटिनोपैथी-पॉजिटिव मामलों को दूसरे चरण में भेजने हेतु एक प्लैट-कैलिब्रेटेड अनसर्टेनिटी-अवेयर गेट का उपयोग करता है, जो मल्टी-डिजीज को-अकरेंस (बहु-रोग सह-अस्तित्व) के कारण होने वाली पहचान सटीकता में महत्वपूर्ण गिरावट को संबोधित करते हुए उच्च प्रदर्शन प्राप्त करता है।
यह शोध पत्र EBC-FL का प्रस्ताव करता है, जो एक एम्बोडीड ब्रेन-सेरिबेलम फेडरेटेड लर्निंग फ्रेमवर्क है, जो ग्राउंड-आधारित सिमेंटिक मेमोरी, MEO सैटेलाइट समन्वय और लाइटवेट लोकल पॉलिसीज को एकीकृत करके सुरक्षा-महत्वपूर्ण विश्वसनीयता, सिमेंटिक जागरूकता और अपलोड वॉल्यूम के बीच संतुलन को अनुकूलित करता है, जो सैटेलाइट-सहायता प्राप्त लो-अल्टीट्यूड वायरलेस नेटवर्क के लिए है।
PhenoAgent एक गोपनीयता-संरक्षित, एजेंटिक LLM फ्रेमवर्क है जो संरचित क्वेरी अपघटन (structured query decomposition), आत्म-सुधार (self-correction), और बहु-मॉडल सर्वसम्मति (multi-model consensus) का उपयोग करता है ताकि मुक्त-पाठ इलेक्ट्रॉनिक स्वास्थ्य रिकॉर्ड से नैदानिक फेनोटाइप्स (clinical phenotypes) को सटीक रूप से निकाला जा सके, जो पारंपरिक बेसलाइनों से काफी बेहतर प्रदर्शन करता है और जापानी अस्पताल डेटासेट पर चिकित्सक-स्तर के प्रदर्शन के बराबर है।
यह अध्ययन शल्य चिकित्सा संबंधी गुणात्मक अनुसंधान में मानव और एआई-सहायता प्राप्त विषयगत विश्लेषण (thematic analysis) की तुलना करता है, जिसमें यह पाया गया है कि हालांकि दोनों विधियाँ समान व्यापक विषयों की पहचान करती हैं, मानव-निर्मित कोडबुक स्पष्ट विषयगत सीमाओं के कारण उच्च अंतर-कोडर विश्वसनीयता (inter-coder reliability) प्रदान करती हैं, जो यह सुझाव देता है कि एआई दक्षता के साथ मानव शोधन को मिलाने वाला एक हाइब्रिड दृष्टिकोण इष्टतम हो सकता है।
यह शोध पत्र मोडैलिटी-मिसिंग रोबस्ट रिप्रेजेंटेशन नेटवर्क (MMR-Net) का प्रस्ताव करता है, जो सार्वजनिक IXI डेटासेट पर प्रशिक्षित एक डीप लर्निंग फ्रेमवर्क है जो मोडैलिटी-विशिष्ट एनकोडर्स, एक साझा लेटेंट स्पेस और एक मोडैलिटी ड्रॉपआउट रणनीति का उपयोग करता है ताकि इमेजिंग अनुक्रमों के गायब होने के बावजूद ब्रेन एमआरआई आयु प्रतिगमन (age regression) और लिंग वर्गीकरण कार्यों में मजबूत प्रदर्शन बनाए रखा जा सके।
यह अध्ययन एक व्याख्यात्मक, बहु-मॉडल एनएलपी (NLP) ढांचे को विकसित और मूल्यांकित करता है जो बड़े पैमाने पर रोगी समीक्षाओं से प्रतिकूल दवा प्रतिक्रियाओं का प्रभावी ढंग से पता लगाता है और उपचार की प्रभावकारिता का आकलन करता है, यह प्रदर्शित करते हुए कि पारंपरिक मशीन लर्निंग दृष्टिकोण इस क्षेत्र में ट्रांसफॉर्मर-आधारित ज़ीरो-शॉट वर्गीकरण से बेहतर प्रदर्शन करते हैं।
यह अध्ययन वास्तविक दुनिया के आपातकालीन विभाग ट्राइएज डेटा पर 16 लार्ज लैंग्वेज मॉडल्स का बेंचमार्किंग करता है, जिसमें यह पाया गया कि हालांकि संरचित प्रॉम्प्टिंग गंभीरता वर्गीकरण के लिए मानव नर्सों के साथ पर्याप्त सहमति प्राप्त कर सकती है, लेकिन अधिकांश मॉडल सीमित सटीकता, खराब सेक्टर असाइनमेंट, व्यवस्थित अति-आत्मविश्वास और गैर-नियतात्मक व्यवहार प्रदर्शित करते हैं, जो यह संकेत देता है कि वे बिना आगे के सत्यापन और सुधार के नैदानिक कार्यान्वयन के लिए अभी तैयार नहीं हैं।
यह अध्ययन प्रदर्शित करता है कि मेटा-प्रॉम्प्टिंग और डोमेन-विशिष्ट दिशानिर्देशों का उपयोग करने वाला एक पुनरावृत्ति रूप से अनुकूलित, सुलभ एआई टूल, प्लास्टिक सर्जरी पांडुलिपियों के लिए संरचित, उच्च-गुणवत्ता वाली प्रतिक्रिया प्रदान करने में आधारभूत एआई मॉडल और मानव सहकर्मी समीक्षाओं दोनों से काफी बेहतर प्रदर्शन करता है, जिससे संसाधन-सीमित सेटिंग्स में शोधकर्ताओं को सहायता प्रदान करने के लिए एक स्केलेबल समाधान मिलता है।