Este estudio revisa métodos de deep learning para la decodificación de EEG entre sujetos, abordando el desafío de la alta variabilidad inter-sujeto y el cambio de dominio. Clasifica la literatura actual en familias metodológicas como alineación de características y aprendizaje contrastivo, enfatizando la evaluación rigurosa y las limitaciones teóricas.
Un estudio a gran escala reevalúa la Generación Aumentada por Recuperación (RAG) en la respuesta a preguntas médicas, encontrando solo mejoras pequeñas e inconsistentes en comparación con las líneas de base sin recuperación. Sugiere que la elección del modelo base es más crítica que los métodos de recuperación, y el principal cuello de botella es la capacidad del modelo para usar eficazmente la evidencia recuperada.
Este artículo introduce un nuevo concepto, la Inteligencia Artificial Especial, que permite entrenar modelos de Machine Learning para clasificación sin errores, evitando repeticiones de fallos. El método se aplicó con éxito a 18 conjuntos de datos biomédicos MedMNIST, logrando la perfección en la mayoría, salvo en tres con problemas de doble etiquetado.
BioELX es un marco de enlace de entidades biomédicas translingües de dos etapas que no requiere datos de entrenamiento anotados específicos para la tarea. Mejora la recuperación de candidatos utilizando alias multilingües de Wikidata y realiza la desambiguación sensible al contexto con un clasificador LLM preentrenado.
Esta investigación examina el uso de LLMs ligeros para el Reconocimiento de Entidades Nombradas Biomédicas, demostrando su rendimiento competitivo frente a modelos más grandes. El estudio resalta su potencial como alternativas eficientes en recursos e identifica formatos de salida específicos que mejoran consistentemente el rendimiento.
Esta investigación evalúa modelos de lenguaje grandes (LLMs) en la respuesta a preguntas biomédicas, abordando su fiabilidad cuando se enfrentan a evidencia conflictiva o incompleta. Revela que la precisión de los LLMs disminuye significativamente y las predicciones cambian cuando se invierte el orden de los documentos correctos y contradictorios, destacando problemas con los efectos de orden y la necesidad de abstención consciente del conflicto.
Este protocolo evalúa la capacidad de ChatGPT para generar y verificar asociaciones biomédicas centradas en enfermedades, utilizando ontologías biomédicas y literatura. Incluye una estrategia de autoconsistencia y un flujo de trabajo habilitado por RAG, impulsado por LLMs de código abierto, para abordar las limitaciones de coincidencia exacta y exponer alucinaciones.
Este artículo, originalmente de rachel.fast.ai, sigue a una investigadora de IA que explora cómo la inteligencia artificial puede analizar portaobjetos de microscopio. Detalla su regreso a la escuela para estudiar inmunología, aplicando IA a la imagen científica y médica.
