Ускорение исследований в области здравоохранения с помощью генеративного ИИ

Ускорение исследований в области здравоохранения с помощью генеративного ИИ

Дата: вторник, 17 марта, 17:00 GMT | Место проведения: онлайн AIAInow – это возможность посмотреть эксклюзивные доклады и презентации с наших предыдущих мероприятий, представленные экспертами по ИИ и лидерами отрасли. Это уникальная возможность посмотреть самый востребованный контент об ИИ, обычно предназначенный для членов AIAI Pro. Каждая трансляция глубоко погружается в ключевую тему ИИ, отраслевую тенденцию или тематическое исследование.

Генеративный ИИ становится важным инструментом для медицинских организаций, управляющих большими объемами данных, обеспечивая более тесное и эффективное сотрудничество между специалистами по данным, врачами и исследователями.

Присоединяйтесь к глубокому погружению в операционную основу успешного развертывания GenAI в здравоохранении. От проблем с задержкой данных до создания синтетических данных, вы узнаете, как сеть Gemini от Unity Health раскрывает весь потенциал клинических записей с помощью оптимизированных процессов, более интеллектуальных инструментов и межфункционального взаимодействия.

В этой сессии вы узнаете: что такое Gemini и почему ее глубокие наборы клинических данных необходимы для успешных исследований; жизненный цикл проекта ICD Assist: от проблем ручного кодирования до автоматического создания предварительных кодов; как поддерживать подход «человек в цикле», ускоряя сотрудничество между командами данных и профессиональными кодировщиками; практические структуры и инструменты для создания надежных конвейеров ИИ, включая генерацию с расширением извлечения (RAG) и тонкую настройку с эффективным использованием параметров (PEFT); реальные тематические исследования, демонстрирующие стратегии генерации синтетических данных с высоким эффектом для преодоления ограничений обучения; общие проблемы управления данными и способы их решения с помощью безопасных локальных решений.

Спикеры: Анис Шарафоддини, доктор наук, директор по науке о данных и инновациям в Unity Health; Трон Шен, менеджер, Аналитические сервисы по работе с данными GEMINI в больнице Святого Михаила. Анис руководит трансформацией огромных массивов клинических данных в практически применимые сведения для исследователей и врачей. Трон управляет операциями аналитики здравоохранения с сильным упором на управление данными, консультации с заинтересованными сторонами и анализ клинических данных.

Смягчение предвзятости в моделях с концептуальным «узким местом» для справедливой и интерпретируемой классификации изображений

Смягчение предвзятости в моделях с концептуальным «узким местом» для справедливой и интерпретируемой классификации изображений. 6 марта 2026 года. 2603.05899. Авторы: Шрасинг Тонг, Антуан Салоун, Винсент Юань, Аннабель Адейери, Лалана Кагал.

Обеспечение справедливости в классификации изображений предотвращает увековечивание и усиление предвзятости моделью. Модели с концептуальным «узким местом» (CBM) отображают изображения в высокоуровневые, понятные человеку концепции перед выполнением прогнозов с помощью разреженного однослойного классификатора. Такая структура повышает интерпретируемость и, теоретически, поддерживает справедливость, маскируя прокси-атрибуты, такие как черты лица. Однако концепции CBM, как известно, содержат информацию, не связанную с семантикой концепций, и первые результаты показывают лишь незначительное снижение гендерной предвзятости в таких наборах данных, как ImSitu.

Предлагаются три метода смягчения предвзятости для повышения справедливости в CBM: уменьшение утечки информации с помощью фильтра верхних-k концепций; удаление предвзятых концепций; а также состязательное ослабление предвзятости. Полученные результаты превосходят предыдущие работы с точки зрения компромисса между справедливостью и производительностью, что указывает на то, что предлагаемый ослабленный CBM является значительным шагом к справедливой и интерпретируемой классификации изображений.

View on Hugging Face Read PDF

Тест-Time адаптация через многократное промптовое обучение: преимущества, ограничения и подводные камни

Тест-Time адаптация через многократное промптовое обучение: преимущества, ограничения и подводные камни. 6 марта 2026 года. 2603.05829. Авторы: Бо Ли, Чангран Ху, Цичженг Чжан, Урмиш Таккер, Шубхангхи Упасани и еще 2.

Тест-Time адаптация позволяет большим языковым моделям (LLM) изменять свое поведение во время вывода без обновления параметров модели. Распространенный подход — многократное промптовое обучение, при котором большое количество примеров обучения в контексте (ICL) вводится в качестве обновления входного пространства во время вывода. Хотя производительность может улучшаться по мере добавления большего количества демонстраций, надежность и ограничения этого механизма обновления остаются плохо понятными, особенно для моделей с открытым исходным кодом.

Представлено эмпирическое исследование многократного промптового обучения на различных задачах и базовых моделях, анализирующее, как производительность меняется в зависимости от величины обновления, порядка примеров и политики выбора. Кроме того, изучены динамические и подкрепленные ICL в качестве альтернативных стратегий обновления во время вывода, которые контролируют, какая информация вводится и как она ограничивает поведение модели.

Выявлено, что многократное промптовое обучение эффективно для структурированных задач, где демонстрации обеспечивают высокий прирост информации, но очень чувствительно к стратегии выбора и часто показывает ограниченные преимущества для задач открытой генерации. В целом, определены практические ограничения промптовой адаптации во время вывода и описаны случаи, когда обновления входного пространства полезны или вредны.

View on Hugging Face Read PDF