Mimic
PulseAugur coverage of Mimic — every cluster mentioning Mimic across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新框架利用本体和跨模态学习增强ICU风险预测
研究人员开发了OC-Distill，一个用于改进ICU风险预测的新型两阶段机器学习框架。第一阶段采用本体感知的对比目标，利用ICD层级结构通过量化患者相似性来学习临床基础的患者表征。第二阶段通过跨模态知识蒸馏来精炼预训练编码器，将临床笔记中的信息转移到模型中。这种方法允许模型在推理时利用生命体征，同时在训练期间受益于临床笔记提供的丰富上下文，在MIMIC数据集上取得了最先进的性能。
-
新型PORTER模型实现可移植、语言驱动的电子健康记录分析
研究人员开发了PORTER，一种新颖的、用于电子健康记录（EHR）的语言驱动基础模型，它超越了固定词汇的限制。与难以处理未见概念或数值的传统模型不同，PORTER通过事件描述来表示事件，并通过专用通道整合数值数据。这种方法无需重新训练即可在不同机构和部署管道之间实现更好的可迁移性。在评估中，PORTER在74个预测任务上的表现与现有模型相当，并且在迁移到MIMIC数据集时，其表现显著优于固定词汇模型，展示了其进行词汇无关的EHR分析的潜力。
-
新的RCD方法优化LLM处理长临床文本的预算
研究人员开发了一种名为RCD的新方法，用于选择长临床文本的相关子集，以降低大型语言模型的令牌成本。该方法将问题构建为背包约束的子集选择，平衡相关性、覆盖率和多样性。在各种数据集上的实验表明，不同的单元化策略和选择方法在特定任务和预算限制下表现最佳，而像MMR这样的多样性感知方法对LLM生成有益。
-
MIMIC模型整合多模态生物分子数据以实现高级设计
研究人员推出了一种名为MIMIC的新型生成式多模态基础模型，专为生物分子设计。MIMIC在名为LORE的新数据集上进行训练，整合了包括核酸序列、蛋白质结构、进化信息和调控数据在内的多种生物数据类型。该模型能够重建或生成缺失的分子组件，并在RNA剪接预测和蛋白质设计等下游任务中展现出最先进的性能。
-
MiMIC论文解决了多模态检索中的视觉模态坍塌问题
研究人员开发了MiMIC，一种用于通用多模态检索（UMR）的新方法，解决了视觉模态坍塌和语义不对齐的问题。与早期或晚期融合模态的先前方法不同，MiMIC采用了解码器内融合架构。它还结合了强大的训练技术，包括单模态混合和随机字幕丢弃，以提高在WebQA+和EVQA+等数据集上的性能。