TRIDENT-2 用 56 万条毒性测定数据跨真核生物预测化学毒性，平均中位绝对误差为 1.76 至 3.80
作者提出多模态人工智能模型 TRIDENT-2，在覆盖 82,775 种化学品、6,793 个物种和多种暴露情景的 560,780 条毒性测定数据上训练，用于预测进化上多样化的真核生物的化学毒性，报告的平均中位绝对误差为 1.76 至 3.80，并在较大的化学与分类学距离上保持准确，从而可为现有实验证据之外的物种和化学品提供毒性评估。
正在载入内容…
5 篇关联报道
作者提出多模态人工智能模型 TRIDENT-2，在覆盖 82,775 种化学品、6,793 个物种和多种暴露情景的 560,780 条毒性测定数据上训练，用于预测进化上多样化的真核生物的化学毒性，报告的平均中位绝对误差为 1.76 至 3.80，并在较大的化学与分类学距离上保持准确，从而可为现有实验证据之外的物种和化学品提供毒性评估。
该工作提出 SnapLog 流水线，先用预训练 ViT 逐帧编码并基于帧间相似度矩阵做 K-Means 时序分割与贪心合并，再用预训练于 Sports-1M 的 34 层 R(2+1)D 编码器加线性分类头做广义少样本事件分类，从而把原始视频转成带时间戳的事件日志（可输出确定性日志或保留标签概率分布的含不确定性日志）；在 TUM Kitchen 的 16 段布朗尼烘焙视频与 Epic Kitchens-100 的 24 段厨房清洁视频上，分割帧级准确率为 74.3% 与 67.7%，分类在增强加 100 个重叠片段设置下 Top-3 达 90.1% 与 85.4%，并可从 TUM 日志中发现基本合理的布朗尼烘焙流程模型。
作者提出 DP-RGMI 框架，把差分隐私训练视为表征空间的结构化变换，用表征位移、谱有效维度和线性探针与端到端 AUROC 之差（利用差距）三个量来分解隐私带来的性能下降；在 PadChest 主数据集（110,525 张正位胸片、22,045 张测试图）以及 CheXpert、ChestX-ray14 等共超过 594,000 张胸片、三种预训练初始化（ImageNet、DINOv3、MIMIC-CXR）上，他们发现强隐私下线性可分性大体保留但利用差距持续存在（如 ImageNet ε=1.0 时 G=8.0，MIMIC ε=0.7 时 G=3.4，DINOv3 ε=0.7 时 G=6.1），而位移与谱有效维度呈非单调、依赖初始化与
该研究让五个当前大语言模型（GPT 5.3、Claude Sonnet 4.6、Gemini 2.5 Flash、Perplexity 和 Grok）在相同数据集与标准化提示下复现一项已发表临床工作流中经专家验证的三类统计分析任务——描述性表格生成、Kaplan–Meier生存分析和Cox比例风险建模，并将输出与两位受过数理统计训练的专家的分析在分组正确性、数值准确性、缺失值处理和生成的R代码质量方面进行比较，结果显示所有模型在变量被明确指定后都能给出正确的描述性统计，两个模型因变量名歧义在初始描述性基准中失败但在提示澄清后恢复，所有模型都复现了正确的Kaplan–Meier p值但图形完整性不同，Cox基准
该试点研究将35份来自5名患者的德语医生笔记匿名化，构建了一条药物提取与映射流程和两条诊断流程（其中一条基于RAG、一条基于智能体AI），在本地GPU-PC上运行三种开放权重LLM，结果显示药物名称提取F1可达0.95、药物映射F1可达0.78，而诊断编码F1不超过0.12、宽泛类别映射F1为0.18，作者据此认为LLM适合用于研究数据库的药物信息提取，但当前开放权重模型尚不足以支撑直接依赖其表现的临床诊疗场景。
已读完全部报道