1017 篇论文
PhenoAgent 是一个保护隐私的智能体化大语言模型（LLM）框架，它利用结构化查询分解、自我修正和多模型共识技术，从自由文本电子健康记录中准确提取临床表型，其性能显著优于传统基准模型，并在日本医院数据集上达到了医生水平的表现。
本研究比较了外科定性研究中人类与人工智能辅助的主题分析，发现尽管两种方法都能识别出相似的宏观主题，但由于人类生成的编码本具有更清晰的主题界限，因此具有更高的编码者间信度，这表明结合人工智能的高效性与人类精炼性的混合方法可能是最优选择。
本文提出了模态缺失鲁棒表示网络（MMR-Net），这是一个在公开的 IXI 数据集上训练的深度学习框架，该框架利用模态特定编码器、共享潜空间以及模态丢弃策略，旨在确保在存在影像序列缺失的情况下，仍能在大脑 MRI 年龄回归和性别分类任务中保持鲁棒的性能。
本研究开发并评估了一个可解释的多模型自然语言处理框架，该框架能够有效地从大规模患者评论中检测药物不良反应并评估治疗疗效，并证明了在这一领域中，传统的机器学习方法优于基于 Transformer 的零样本分类。
本研究通过对真实世界的急诊科分诊数据进行 16 个大语言模型的基准测试发现，尽管结构化提示可以使模型在严重程度分类上与人类护士达成实质性的一致，但大多数模型仍表现出准确性有限、科室分配不佳、系统性过度自信以及非确定性行为，这表明在经过进一步验证和改进之前，它们尚不具备临床应用的条件。
本研究表明，一种利用元提示（meta-prompting）和特定领域指南进行迭代优化的易用型人工智能工具，在为整形外科手稿提供结构化、高质量反馈方面，显著优于基准人工智能模型和人类同行评审，从而为支持资源匮乏地区的科研人员提供了一种可扩展的解决方案。
本研究引入了 FusionAttNet，这是一种创新的深度学习框架，通过模态感知层次注意力机制整合了 Sentinel-1 SAR 和 Sentinel-2 光学数据，在对喀麦隆法西北部半干旱土地覆盖进行分类时达到了 96.75% 的准确率，通过有效解决光谱同质性、云层覆盖和季节性变化问题，显著优于传统的融合方法。
本研究利用基于智能体建模和强化学习的方法，证明了安全运营中心的训练时长会产生非线性性能增益，其中最佳投资发生在 500 至 1,000 个周期之间，且经过高度训练的团队所实现的效率优势相当于额外招聘 20 至 25 名人员。
本文提出了一个可复现的实验框架，证明了将物理 HID 入侵与 MQTT 网络攻击进行链式组合会暴露受限 IoT 设备中关键的安全与性能权衡，揭示了虽然 TLS 提供了强大的机密性，但它会对旧硬件造成难以承受的延迟和内存成本，从而启发了一种全新的混合深度防御架构，该架构优先考虑通过访问控制列表（ACL）来实现高效且可扩展的保护。
这项针对 2018 年至 2026 年间 13,502 条 AI/ML 相关撤稿记录的特征研究表明，计算机生成内容是推断出的撤稿最大单一原因，占病例的 34.8%，且主要影响 2021 年至 2023 年间发表的论文。