Clinical AI

4 items

RESEARCHarXiv CS.LG·il y a 25j

Mechanistic Interpretability of EEG Foundation Models via Sparse Autoencoders

Cet article explore l'interprétabilité mécaniste des modèles fondamentaux d'EEG en appliquant des Autoencodeurs Creux (SAE) pour extraire des dictionnaires de caractéristiques disperses de leurs embeddings. Il compare la monosémanticité et l'enchevêtrement à travers différentes architectures de transformateurs EEG, ancrant ces caractéristiques dans une taxonomie clinique, et introduit le pilotage conceptuel pour quantifier la sélectivité et révéler les échecs de représentation.

Clinical AI AI interpretability Foundation Models Sparse autoencoders

RESEARCHarXiv CS.CL·07/05/2026

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

Cette recherche présente un cadre déployable localement permettant aux petits modèles de langage d'extraire des entités cliniques sensibles à la confidentialité à partir de notes dentaires non structurées via des invites auto-générées et affinées. L'étude a évalué des modèles à poids ouverts, obtenant des scores F1 élevés avec Qwen2.5-14B-Instruct et Llama-3.1-8B-Instruct après un réglage fin supervisé et une optimisation directe des préférences.

Clinical AI prompt-engineering Information Extraction security

RESEARCHarXiv CS.LG·il y a 12j

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

Les Réseaux Neuronaux Liquides (LNN) modélisent l'évolution de l'état caché via des équations différentielles continues, contrairement aux RNN et LSTM à temps discret. Cette étude compare les LNN aux LSTM sur quatre modalités séquentielles, révélant la supériorité des LNN en termes d'efficacité paramétrique et de robustesse dans les domaines temporels et cliniques.

neural networks Clinical AI deep learning machine learning

NEWSDEV.to AI·15/04/2026

AWS Speed Boosts, Agentic Limits, and Clinical AI Advances

AWS optimise l'inférence des LLM avec le décodage spéculatif et a lancé le SDK Spring AI pour Bedrock AgentCore. De nouvelles recherches explorent également les défaillances des systèmes agentiques, la quantification de l'incertitude des CNN et le rôle des LLM dans le raisonnement clinique.

Clinical AI AWS LLM inference Agentic AI