Über unsTopKurse
← heapsort-ai

Clinical AI

4 items

RESEARCHarXiv CS.LG·vor 25T

Mechanistic Interpretability of EEG Foundation Models via Sparse Autoencoders

Diese Arbeit untersucht die mechanistische Interpretierbarkeit von EEG-Grundmodellen, indem sie Sparse Autoencoder (SAEs) anwendet, um spärliche Merkmalswörterbücher aus deren Einbettungen zu extrahieren. Sie vergleicht Monosemantizität und Verflechtung über verschiedene EEG-Transformer-Architekturen hinweg, verankert diese Merkmale in einer klinischen Taxonomie und führt Konzeptsteuerung ein, um die Selektivität zu quantifizieren und Darstellungsfehler aufzudecken.

Clinical AIAI interpretabilityFoundation ModelsSparse autoencoders
28
RESEARCHarXiv CS.CL·5/7/2026

Self-Prompting Small Language Models for Privacy-Sensitive Clinical Information Extraction

Diese Forschung stellt ein lokal einsetzbares Framework vor, das kleinen Sprachmodellen ermöglicht, datenschutzrelevante klinische Entitäten aus unstrukturierten zahnmedizinischen Notizen mittels selbstgenerierter und verfeinerter Prompts zu extrahieren. Die Studie evaluierte Open-Weight-Modelle und erzielte hohe F1-Scores mit Qwen2.5-14B-Instruct und Llama-3.1-8B-Instruct nach überwachtem Fine-Tuning und direkter Präferenzoptimierung.

Clinical AIprompt-engineeringInformation Extractionsecurity
27
RESEARCHarXiv CS.LG·vor 12T

Comparative Analysis of Liquid Neural Networks and LSTM for Sequential Pattern Recognition: Robustness, Efficiency, and Clinical Utility

Liquid Neural Networks (LNNs) modellieren die Entwicklung des verborgenen Zustands als kontinuierliche Differentialgleichung, im Gegensatz zu diskreten RNNs und LSTMs. Diese Studie vergleicht LNNs mit LSTMs in vier sequenziellen Modalitäten und zeigt die überlegene Parameterffizienz und Robustheit von LNNs, insbesondere in nativen Zeitbereichen und klinischen Umgebungen.

neural networksClinical AIdeep learningmachine learning
27