PulseAugur
中
实时 08:59:48
English(EN) Biologically Informed Representation Learning for Robust Cross-Center Generalization of MALDI-TOF Mass Spectrometry

新框架DALMA提升了临床微生物学中AI的泛化能力

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了DALMA，一个新颖的概率表征学习框架，旨在提高临床微生物学中机器学习模型的泛化能力。该框架解决了域转移的挑战，即在一个机构训练的模型由于数据采集的差异而在另一个机构表现不佳。DALMA整合了生物学监督和特定域重构，以学习可迁移的表征，从而能够在未见过的站点实现零样本部署。在对来自三个国家的七个数据集的评估中，DALMA在微生物鉴定方面实现了最先进的零样本性能，并在抗菌素耐药性预测方面显示出有效性。 AI

影响 通过实现跨不同机构的零样本部署，增强了AI在临床环境中的可靠性和适用性。

排序理由 详细介绍新机器学习框架的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

新框架DALMA提升了临床微生物学中AI的泛化能力

报道来源 [1]

  1. arXiv cs.AI TIER_1 English(EN) · Alejandro L. Garc\'ia-Navarro, Carlos Sevilla-Salcedo, Bel\'en Rodr\'iguez-S\'anchez, Vanessa G\'omez-Verdejo ·

    用于MALDI-TOF质谱仪跨中心鲁棒泛化的生物信息学表征学习

    arXiv:2608.08182v1 Announce Type: cross Abstract: Machine learning models for MALDI-TOF mass spectrometry have shown considerable promise for clinical microbiology tasks such as microbial identification and antimicrobial resistance prediction. However, their deployment across ins…

相关实体

相关话题