1017 articoli
Questo articolo propone un framework basato su blockchain che utilizza i Non-Fungible Token (NFT), smart contract e tecniche crittografiche per consentire la proprietà verificabile, l'accesso controllato e l'audit forense di dataset medici criptati, affrontando così le barriere alla condivisione dei dati nella ricerca biomedica.
Questo articolo propone una cascata di deep learning unificata a due stadi che utilizza un modello EfficientNetV2-S con perdita asimmetrica per rilevare 28 malattie retiniche dal dataset RFMiD e impiega successivamente un gate consapevole dell'incertezza calibrato tramite Platt per instradare i casi positivi alla retinopatia diabetica verso un secondo stadio per la classificazione dell'ordine di gravità sul dataset APTOS-2019, ottenendo prestazioni elevate pur affrontando il significativo degrado della precisione di riconoscimento causato dalla co-occorrenza di malattie multiple.
Il documento propone EBC-FL, un framework di apprendimento federato cervello-cervelletto incarnato per reti wireless a bassa quota assistite da satelliti che ottimizza il compromesso tra affidabilità critica per la sicurezza, consapevolezza semantica e volume di upload integrando la memoria semantica basata a terra, la coordinazione satellitare MEO e politiche locali leggere.
PhenoAgent è un framework di LLM agentico e rispettoso della privacy che utilizza la decomposizione di query strutturate, l'autocorrezione e il consenso multi-modello per estrarre accuratamente fenotipi clinici da cartelle cliniche elettroniche in testo libero, superando significativamente i baseline tradizionali e eguagliando le prestazioni dei medici su dataset ospedalieri giapponesi.
Questo studio confronta l'analisi tematica umana e quella assistita dall'IA nella ricerca qualitativa chirurgica, riscontrando che, sebbene entrambi i metodi identifichino temi generali simili, i codici generati dagli esseri umani producono una maggiore affidabilità inter-codificatore grazie a confini tematici più chiari, suggerendo che un approccio ibrido che combini l'efficienza dell'IA con la raffinazione umana possa essere ottimale.
Questo articolo propone la Modality-Missing Robust Representation Network (MMR-Net), un framework di deep learning addestrato sul dataset pubblico IXI che utilizza encoder specifici per modalità, uno spazio latente condiviso e una strategia di dropout della modalità per mantenere prestazioni robuste nei compiti di regressione dell'età e classificazione del sesso tramite risonanza magnetica cerebrale, nonostante la mancanza di sequenze di imaging.
Questo studio sviluppa e valuta un framework NLP multi-modello interpretabile che rileva efficacemente le reazioni avverse ai farmaci e valuta l'efficacia del trattamento da recensioni dei pazienti su larga scala, dimostrando che gli approcci tradizionali di machine learning superano la classificazione zero-shot basata su transformer in questo dominio.
Questo studio confronta 16 modelli linguistici di grandi dimensioni su dati reali di triage del pronto soccorso, riscontrando che, sebbene il prompting strutturato possa raggiungere un accordo sostanziale con gli infermieri umani per la classificazione della gravità, la maggior parte dei modelli mostra un'accuratezza limitata, un scarso assegnamento settoriale, un'eccessiva fiducia sistematica e un comportamento non deterministico, indicando che non sono ancora pronti per l'implementazione clinica senza ulteriori validazioni e miglioramenti.
Questo studio dimostra che uno strumento di intelligenza artificiale accessibile e ottimizzato iterativamente, che utilizza il meta-prompting e linee guida specifiche per il dominio, supera significativamente sia i modelli di IA di base che le revisioni tra pari umane nel fornire feedback strutturati e di alta qualità per i manoscritti di chirurgia plastica, offrendo così una soluzione scalabile per supportare i ricercatori in contesti con risorse limitate.
Questo studio introduce FusionAttNet, un nuovo framework di deep learning che integra i dati Sentinel-1 SAR e Sentinel-2 ottici attraverso un meccanismo di attenzione gerarchica consapevole della modalità per raggiungere un'accuratezza del 96,75% nella classificazione della copertura del suolo semi-arido nell'estremo nord del Camerun, superando significativamente i metodi di fusione tradizionali affrontando efficacemente l'omogeneità spettrale, la copertura nuvolosa e la variabilità stagionale.