💻 Category

cs

2578 papers

💻 computer science

PhenoAgent: agentic LLM framework for phenotyping electronic health records via structured query decomposition and self-correction

PhenoAgent is een privacy-bewarend, agentisch LLM-framework dat gestructureerde query-decompositie, zelfcorrectie en multi-model consensus gebruikt om accuraat klinische fenotypes te extraheren uit vrije tekst in elektronische patiëntendossiers, waarbij het traditionele baselines aanzienlijk overtreft en de prestaties van artsen evenaart op Japanse ziekenhuisdatasets.

Yuki Kashiwada, Rieko Sakurai, Yuta Yokokawa, Kenichiro Ando, Chinatsu Gocho, Chiaki Murata, Kosuke Tohda, Maki Tanioka (…)2026-06-28
💻 computer science

Artificial Intelligence in Surgical Qualitative Research: A Comparison of Human and AI-Assisted Thematic Analysis

Deze studie vergelijkt menselijke en door AI ondersteunde thematische analyse in chirurgisch kwalitatief onderzoek, waarbij wordt vastgesteld dat hoewel beide methoden vergelijkbare overkoepelende thema's identificeren, door mensen gegenereerde codeboeken een hogere intercoderbetrouwbaarheid opleveren vanwege duidelijkere thematische grenzen, wat suggereert dat een hybride aanpak die de efficiëntie van AI combineert met menselijke verfijning optimaal kan zijn.

Bonnie E Laingen, Wesley H Iobst, Jarrett Dobbins, Jacob W Johnson, Gabriel E Cambronero, Lucas P Neff, Maggie E Bosley2026-06-28
💻 computer science

A Modality-Missing Robust Representation Network for Multi-Sequence Brain MRI Using the Public IXI Dataset

Dit artikel stelt het Modality-Missing Robust Representation Network (MMR-Net) voor, een deep learning-framework getraind op de publieke IXI-dataset dat gebruikmaakt van modaliteitsspecifieke encoders, een gedeelde latente ruimte en een modality dropout-strategie om een robuuste prestatie te behouden bij taken zoals hersen-MRI-leeftijdsregressie en geslachtclassificatie, ondanks ontbrekende beeldsequenties.

Tian He, Ximei Xie2026-06-28
💻 computer science

A Multi-Model Artificial Intelligence Framework for Knowledge Extraction from Patient Drug Reviews

Deze studie ontwikkelt en evalueert een interpreteerbaar, multi-model NLP-framework dat effectief bijwerkingen detecteert en de effectiviteit van behandelingen beoordeelt op basis van grootschalige patiëntenbeoordelingen, waarbij wordt aangetoond dat traditionele machine learning-benaderingen transformer-gebaseerde zero-shot classificatie in dit domein overtreffen.

Patrick O. Akinwumi, Meihua Qian, Oyinkansola A. Babatope, Taiwo A. Olorunsogbon2026-06-28
💻 computer science

Performance evaluation and benchmarking across 16 large language models on a comprehensive real-world emergency department triage data set

Deze studie benchmarkt 16 grote taalmodellen op real-world data uit de triage van spoedeisende hulp en stelt vast dat, hoewel gestructureerde prompting aanzienlijke overeenstemming kan bereiken met verpleegkundigen wat betreft ernstclassificatie, de meeste modellen een beperkte nauwkeurigheid, slechte sectorale toewijzing, systematische overmoedigheid en niet-deterministisch gedrag vertonen, wat aangeeft dat ze nog niet klaar zijn voor klinische implementatie zonder verdere validatie en verbeteringen.

Leo Benning, Anja Hirsch, Matthias Gröschel, Tobias Röschl, Martin Spott, Felix Patricius Hans, Tim Urban, Hans-Jörg Bus (…)2026-06-28
💻 computer science

Development and Assessment of an Accessible AI-Powered Tool for Manuscript Evaluation Through Iterative Optimization in Plastic Surgery Research ​

Deze studie toont aan dat een iteratief geoptimaliseerde, toegankelijke AI-tool die gebruikmaakt van meta-prompting en domeinspecifieke richtlijnen significant beter presteert dan zowel baseline AI-modellen als menselijke peer reviews bij het verstrekken van gestructureerde, hoogwaardige feedback voor manuscripten over plastische chirurgie, waardoor een schaalbare oplossing wordt geboden om onderzoekers in omgevingen met beperkte middelen te ondersteunen.

Raunak Goyal, Joey Liang, Mihir S Kulkarni, Philong Nguyen, Srinithya Gillipelli, Ashit Patel2026-06-28
💻 computer science

FusionAttNet Framework for Hierarchical Attention Driven Sentinel 1 and Sentinel 2 Fusion for Semi Arid Land Cover Classification in Far North Cameroon

Deze studie introduceert FusionAttNet, een nieuw deep learning-framework dat Sentinel-1 SAR- en Sentinel-2 optische data integreert via een modaliteitsbewust hiërarchisch aandachtmechanisme om een nauwkeurigheid van 96,75% te bereiken bij het classificeren van semi-aride landbedekking in Noord-Kameroen, waarbij traditionele fusiemethoden aanzienlijk wordt overtroffen door effectief spectrale homogeniteit, bewolking en seizoensgebonden variabiliteit aan te pakken.

Pountianus Berinyuy Wirba, Mvogo Ngono, Noumsi Woguia Auguste Vigny, Emile Tatinyuy Verdzekov, ELE Pierre2026-06-28
💻 computer science

Training Versus Hiring in Security Operations Centers: Agent-Based and Reinforcement Learning Simulations of Training Duration Effects on CyberTeam Performance

Deze studie maakt gebruik van agent-gebaseerde modellering en reinforcement learning om aan te tonen dat de trainingsduur in Security Operations Centers niet-lineaire prestatiewinsten oplevert, waarbij de optimale investering plaatsvindt tussen 500 en 1.000 episodes en hooggetrainde teams efficiëntievoordelen behalen die gelijkstaan aan het werven van 20–25 extra medewerkers.

Max N. Yaw, Ferdinand Kpieleh, Aos Mulahuwaish, Basheer Qolomany, Jacques Bou Abdo2026-06-27
💻 computer science

Quantifying the Security-Performance Trade-off in Constrained IoT: A Multi-Vector MQTT Attack Framework with Hybrid Defense-in-Depth Evaluation

Dit artikel presenteert een reproduceerbaar experimenteel kader dat aantoont dat het koppelen van fysieke HID-intrusies aan MQTT-netwerkaanvallen kritieke beveiligings-prestatie-afwegingen blootlegt bij beperkte IoT-apparaten, waarbij wordt onthuld dat hoewel TLS sterke vertrouwelijkheid biedt, het prohibitieve latentie- en geheugenkosten veroorzaakt op legacy-hardware, wat daarmee een nieuwe Hybrid Defense-in-Depth-architectuur motiveert die prioriteit geeft aan Access Control Lists voor efficiënte, schaalbare bescherming.

Thant Zin Moe, Julia Juremi, Manimegalai Rajenderan2026-06-27