I transformer vengono applicati alla previsione del rischio clinico, al riconoscimento multimodale dell'ambivalenza, alla retrosintesi, all'analisi di dati medici e alla ricostruzione 3D di cellule. Questi modelli estraggono sempre più caratteristiche latenti da dati scientifici e clinici reali.
Un framework a supervisione di popolazione collega immagini 2D di globuli rossi a quantità biofisiche latenti, aggregandole in volume corpuscolare medio, ampiezza di distribuzione eritrocitaria ed emoglobina corpuscolare media. Combina inference loca...
Uno studio con esperimenti a parità di token mostra che i dati didattici e quelli clinici influenzano in modo asimmetrico i Large Language Models medici: i dati clinici migliorano i task orientati alla clinica e restano competitivi su quelli di conos...
Microsoft Research pubblica su Nature un framework che combina un modello Transformer e una graph neural network. Il ranking appreso riduce le proposte non vincolate e supera i modelli precedenti nei test con chimici. Codice e pesi sono open source.
MDT trasforma la divergenza tra volto, voce e testo nel segnale centrale dell'analisi clinica, raggiungendo 0,7408 Macro F1 sul test BAH e addestrandosi in meno di venti minuti su singola GPU. Per AI-Radar il dato chiave è operativo: un modello che c...
MDT trasforma la contraddizione tra volto, voce e linguaggio in un segnale esplicito: nove token, LoRA e modulazione FiLM portano il riconoscimento di ambivalenza ed esitazione a 0,7408 Macro F1 sul test BAH, superando di oltre dieci punti la baselin...
Uno studio dell’University of Washington Medicine usa un LLM per estrarre feature da note cliniche non strutturate e le inserisce in un pipeline di regressione logistica accanto a dati strutturati. Il risultato: migliore previsione del fallimento del...
