Diese Studie beleuchtet Deep-Learning-Methoden zur Subjekt-übergreifenden EEG-Dekodierung, die die Herausforderung hoher interindividueller Variabilität und Domänenverschiebung adressieren. Sie kategorisiert die Literatur in methodische Familien wie Feature-Alignment und kontrastives Lernen und betont rigorose Evaluierung und theoretische Überlegungen.
Eine groß angelegte Studie evaluiert die Retrieval-Augmented Generation (RAG) im Bereich der medizinischen Fragenbeantwortung neu und findet nur geringe und inkonsistente Verbesserungen gegenüber Baselines ohne Retrieval. Sie deutet darauf hin, dass die Wahl des Backbone-Modells entscheidender ist als die Retrieval-Methoden und der Hauptengpass in der Fähigkeit des Modells liegt, abgerufene Evidenz effektiv zu nutzen.
Dieses Papier stellt ein neues Konzept namens Künstliche Spezielle Intelligenz vor, das fehlerfreies Training von Machine-Learning-Modellen für Klassifikationsprobleme ermöglicht und somit die Wiederholung von Fehlern verhindert. Die Methode wurde auf 18 MedMNIST-Biomedizin-Datensätze angewendet und erzielte bis auf drei Datensätze, die unter Doppelbeschriftung leiden, perfekte Ergebnisse.
BioELX ist ein zweistufiges, sprachübergreifendes biomedizinisches Entitätsverknüpfungsframework, das keine aufgabenspezifischen annotierten Trainingskorpora benötigt. Es verbessert die Kandidatenabrufung durch mehrsprachige Aliase aus Wikidata und führt eine kontextsensitive Disambiguierung mit einem vortrainierten LLM-Ranker durch.
Diese Forschung untersucht den Einsatz leichter Large Language Models (LLMs) für die biomedizinische Named Entity Recognition und zeigt deren wettbewerbsfähige Leistung im Vergleich zu größeren Modellen. Die Studie hebt ihr Potenzial als ressourcenschonende Alternativen hervor und identifiziert spezifische Ausgabeformate, die die Leistung konsistent verbessern.
Diese Forschung bewertet große Sprachmodelle (LLMs) bei der Beantwortung biomedizinischer Fragen, wobei deren Zuverlässigkeit bei widersprüchlichen oder unvollständigen Beweisen thematisiert wird. Es zeigt sich, dass die Genauigkeit von LLMs erheblich sinkt und Vorhersagen sich ändern, wenn die Reihenfolge korrekter und widersprüchlicher Dokumente vertauscht wird, was Probleme mit Reihenfolgeeffekten und die Notwendigkeit einer konfliktbewussten Enthaltung hervorhebt.
Dieses Protokoll bewertet die Fähigkeit von ChatGPT, krankheitszentrierte biomedizinische Assoziationen zu generieren und zu verifizieren, unter Verwendung biomedizinischer Ontologien und Literatur. Es umfasst eine Selbstkonsistenzstrategie und einen RAG-fähigen Workflow, der von Open-Source-LLMs unterstützt wird, um exakte Übereinstimmungsbeschränkungen zu adressieren und Halluzinationen aufzudecken.
Dieser Artikel, ursprünglich von rachel.fast.ai, begleitet eine KI-Forscherin, die untersucht, wie künstliche Intelligenz Mikroskopobjektträger analysieren kann. Er beschreibt ihren Weg zurück zur Schule für Immunologie, um KI auf wissenschaftliche und medizinische Bildgebung anzuwenden.
