English(EN) PREBA: Surgical Duration Prediction via PCA-Weighted Retrieval-Augmented LLMs and Bayesian Averaging Aggregation

新的PREBA框架使用LLM改进手术时长预测

作者 PulseAugur 编辑部 · [1 个来源] · 2026-11-05 05:00

研究人员开发了PREBA，一个旨在提高手术时长预测准确性的新框架。该系统利用检索增强大型语言模型（LLM），并结合主成分分析（PCA）加权和贝叶斯平均。与需要大量标记数据的传统监督方法不同，PREBA以零样本方式运行，将LLM推理基于特定机构的临床证据，而无需进行任务特定的微调。在Qwen3、DeepSeek-R1和HuatuoGPT-o1等LLM的四个真实世界数据集上进行测试，PREBA的性能显著优于标准的零样本推理，并且在准确性上可与监督机器学习方法相媲美，有时甚至更优。 AI

影响该框架通过提供更准确的手术时长预测，可以加强医院的资源管理，从而可能降低成本并改善患者流程。

排序理由该集群描述了一篇详细介绍新框架及其评估的研究论文。[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 →

本文如何被排名

Signal score: 26 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 该集群描述了一篇详细介绍新框架及其评估的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, model release; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: Breaking (< 6h); Fresh story with cross-source coverage still developing. Ranking may shift as more sources report.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.AI TIER_1 English(EN) · Wanyin Wu, Kanxue Li, Baosheng Yu, Haoyun Zhao, Yibing Zhan, Dapeng Tao, Hua Jin · 2026-11-05 05:00

PREBA：通过 PCA 加权检索增强 LLM 和贝叶斯平均聚合进行手术时长预测

arXiv:2603.13275v4 Announce Type: replace-cross Abstract: Accurate prediction of surgical duration is pivotal for hospital resource management. Although recent supervised learning approaches, from machine learning (ML) to fine-tuned large language models (LLMs), have shown strong…

本文如何被排名

报道来源 [1]

PREBA：通过 PCA 加权检索增强 LLM 和贝叶斯平均聚合进行手术时长预测

相关实体

相关话题