- 论文公开站arXiv
基于时间感知Transformer的AECOPD预测模型
Time-Aware Tranformer-Based Prediction Model for AECOPD
摘要显示，该研究针对慢性阻塞性肺疾病急性加重（AECOPD）的快速症状变化，提出一种基于时间感知Transformer的预测模型。该模型利用日常呼吸机产生的呼吸数据，捕捉症状的时间进展，以降低延迟。实验表明，该模型在多项分类任务上优于传统方法，有望提高AECOPD预测准确性。
意义：该模型利用家庭呼吸机数据实现及时预测，降低医疗延迟，为慢性病远程监测提供新思路，对AI医疗应用具有参考价值。
- 论文公开站arXiv
可解释的Transformer模型用于结构化电子健康记录上的临床预测任务
Explainable Transformer Models for Clinical Prediction Tasks on Structured Electronic Health Records
摘要显示，研究者提出BERT-LER模型，一种基于BERT架构的模型，用于编码电子健康记录（EHR）时间线。该模型在包含7500万患者的去标识化EHR数据集上预训练和微调，将实验室检测结果编码为离散令牌，并通过基于百分位的分箱保留分级信息，结合集成梯度方法提供令牌级归因。在EHRShot基准和哮喘严重程度进展研究中，BERT-LER在预测性能上与公开基准模型竞争，在实验室相关任务上常超越它们，且归因与临床已知风险因素一致。
意义：该研究将实验室值表示与可解释性统一于一个框架，为EHR基础模型提供方法论补充，有助于临床预测的可靠性和临床采纳。
- 开源项目公开站GitHub
Hugging Face Transformers：支持文本、视觉、音频及多模态模型的先进机器学习框架
huggingface/transformers — 🤗 Transformers: the model-definition framework for state-of-the-art machine learning models in text, vision, audio, and multimodal models, for both inference and training.
摘要显示，Hugging Face Transformers是一个用于定义最先进机器学习模型的框架，涵盖文本、视觉、音频及多模态模型，支持推理和训练。该项目在GitHub上拥有超过164k星标，表明其广泛的使用和社区认可。
意义：作为AI模型开发的核心工具，Transformers库为开发者提供了统一的模型定义和训练接口，加速了多模态模型的部署，是AI工程实践的重要基础设施。