pneumonia
PulseAugur coverage of pneumonia — every cluster mentioning pneumonia across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
ResNet50 在 X 光片肺部疾病分类方面优于 VGG 模型
研究人员探索了深度学习模型 VGG16、VGG19 和 ResNet50 对 X 光图像肺部疾病进行分类的有效性。该研究在大型 X 光图像数据集上训练了这些模型，以识别肺炎、肺结核和肺癌等病症。结果表明，虽然所有模型表现良好，但 ResNet50 在疾病分类方面表现出更高的准确性和效率。
-
麻省理工学院开发快速肺炎呼吸测试和先进的机器人灵巧性
麻省理工学院的研究人员开发了一种新的呼吸测试，通过纳米颗粒检测特定生物标志物，能够在几分钟内诊断肺炎和其他肺部疾病。此外，超声成像技术的进步通过精确捕捉肌肉和关节运动，使机器人能够实现媲美人类的手部灵巧性。这些创新是麻省理工学院校友和朋友们呼吁支持科学领导力、择优教育和技术进步以造福社会的更广泛呼吁的一部分。
-
MLLM代理在零样本疾病诊断方面显示出潜力，但临床部署仍遥遥无期
一项发表在arXiv上的试点研究探讨了多模态大型语言模型（MLLM）在零样本设置中区分视觉上相似疾病的能力。研究人员引入了一个使用对比裁决的多代理框架，在黑色素瘤与非典型痣以及肺水肿与肺炎的诊断任务上测试代理。虽然该框架在皮肤镜数据上准确率提高了11个百分点，并减少了无根据的声明，但由于缺乏临床背景和人类标注固有的不确定性等限制，总体性能尚不足以进行临床部署。
-
新基准揭示大型语言模型在临床文本中难以处理诊断不确定性
一项新的基准测试已被开发出来，用于评估大型语言模型（LLMs）在临床文本中保留诊断不确定性的能力。研究发现，当前的LLMs往往无法维持原有的不确定性水平，有时保留不确定性的次数不到一半。该研究强调了LLMs在临床环境中一种关键的失效模式，因为改变不确定性表达会显著改变临床意义并影响治疗决策。
-
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。
-
新的图变换器模型在肺部炎症分类中实现高精度
一篇研究论文介绍了一种新颖的深度学习架构，用于通过胸部 X 光片对矽肺和肺炎进行分类。该方法将图变换器网络与传统的深度神经网络相结合，并采用平衡交叉熵损失函数。在一个新策划的数据集 SVBCX 上，这些模型的集成实现了 0.9749 的宏 F1 分数和每个类别的 AUC ROC 分数超过 0.99。