asthma
PulseAugur coverage of asthma — every cluster mentioning asthma across labs, papers, and developer communities, ranked by signal.
- 2026-05-13 product_launch A developer launched chron, an open-source tool for logging AI conversations locally.
1 天有情绪数据
-
新框架EXE从人类视频中提取可迁移的操作技能用于机器人
研究人员开发了一个名为EXE的新预训练框架，旨在弥合人类操作视频与机器人学习之间的差距。该框架从以自我为中心的人类视频中提取共享动作表示，将操作先验与特定于具身信号解耦。通过利用这个共享的潜在动作空间，机器人策略可以从人类演示中获得可泛化的操作技能，即使跨越不同的机器人具身（如平行夹爪和灵巧手）。EXE在各种现实世界操作任务和机器人平台上都显示出了一致的性能提升。
-
到2028年，AI数据中心可能每年导致60万哮喘病例
一份新的报告借鉴了学术研究，预测到2028年，数据中心的空气污染可能每年导致约60万哮喘症状病例和1300例过早死亡。预计与此污染相关的公共卫生成本每年将超过200亿美元。这些数字未计入环境法规放松可能带来的潜在影响。
-
机器学习模型加速美国小区域慢性病估计
研究人员开发了机器学习模型来解决慢性病小区域估计（SAE）的滞后问题。通过学习频繁更新的区域级预测变量与现有SAE输出之间的关系，这些模型可以生成及时的估计。该研究评估了美国十种慢性病的县级SAE的各种全局和地理加权机器学习模型，发现地理加权随机森林和地理加权回归等地理加权框架为快速SAE生成提供了可扩展的解决方案。
-
TEDDY基础模型高精度预测儿童疾病风险
研究人员开发了TEDDY，这是一种新颖的基础模型，旨在利用历史诊断数据预测儿童各种疾病的风险。TEDDY在超过一百万名儿童的数百万份ICD-10诊断数据上进行训练，在预测疾病发病率方面，其表现优于传统的机器学习模型，甚至优于大型通用语言模型。该模型对常见和罕见疾病都显示出显著的预测能力，其准确性在不同人群中保持一致，并且在诊断正式记录前两年以上进行预测时仍然有效。
-
人工智能标记出医生漏诊的严重心脏病
人工智能正在展示其检测人类医生可能忽略的严重医疗状况的能力。《纽约时报》的一篇报道强调了一个人工智能程序通过分析心电图识别出严重心脏问题，这项任务最初让医学专业人士感到困惑，他们怀疑是哮喘等较轻微的病症。这款人工智能工具将更广泛地分发给医生，突显了人工智能在医学诊断中日益增长的作用。
-
深度学习模型改进哮喘/COPD肺音诊断
研究人员开发了深度学习模型，特别是CNN和GRU，利用肺音数据来区分哮喘和COPD。该研究优化了MFCC矩阵和对数梅尔频谱图等输入表示，发现MFCC更优。自适应长度窗口对于处理频谱图中不一致的时间维度至关重要，从而在基于周期的F1分数上达到0.877，在基于主体的F1分数上达到0.855。
-
AI 模型 CoughSense 可从咳嗽声中分类五种呼吸道疾病
研究人员开发了 CoughSense，一个旨在通过 AI 从咳嗽录音中分类呼吸道疾病的系统。该系统微调了 OpenAI 的 Whisper 编码器，并采用具有平衡对比学习的双编码器交叉注意力融合技术，以区分五种状况：健康、COVID-19、哮喘、支气管炎和肺炎。CoughSense 在交叉验证中达到了 82.3% 的平衡准确率，优于其他模型，并展示了其新颖的主动帧 QKV 注意力池化技术的有效性。