AI 核心

896 条内容

NVIDIA Technical Blog 2026年10月1日
这篇 NVIDIA 教程以 Cache-Aware FastConformer-RNNT 多语种流式 ASR 模型为基础，在 SADA 2022 的 Najdi 与 Hijazi 沙特方言数据上做最小化筛选（保留 103,559/125,490 条、133.7 小时、82.5%）、按 90% 沙特语音加 7% 英语与 3% 阿拉伯语 FLEURS 的加权回放混合、时长分桶批处理，并在两块 GPU 上训练 12,000 步约 4.5 小时，使 Najdi+Hijazi 测试集 WER 从 55.05% 降到 29.96%、CER 从 31.63% 降到 12.18%，全 SADA WER 从 58.84% 降到 35.61%，同时 FLEURS 英语 WER 从 11.04% 降到 10.42%、阿拉伯
这篇 NVIDIA 教程以 Cache-Aware FastConformer-RNNT 多语种流式 ASR 模型为基础，在 SADA 2022 的 Najdi 与 Hijazi 沙特方言数据上做最小化筛选（保留 103,559/125,490 条、133.7 小时、82.5%）、按 90% 沙特语音加 7% 英语与 3% 阿拉伯语 FLEURS 的加权回放混合、时长分桶批处理，并在两块 GPU 上训练 12,000 步约 4.5 小时，使 Najdi+Hijazi 测试集 WER 从 55.05% 降到 29.96%、CER 从 31.63% 降到 12.18%，全 SADA WER 从 58.84% 降到 35.61%，同时 FLEURS 英语 WER 从 11.04% 降到 10.42%、阿拉伯
NVIDIA 用 SADA 与 FLEURS 微调 Nemotron 3.5 ASR，将沙特 Najdi 与 Hijazi 方言 WER 从 55.05% 降至 29.96%，英语同时小幅改善
这篇 NVIDIA 教程以 Cache-Aware FastConformer-RNNT 多语种流式 ASR 模型为基础，在 SADA 2022 的 Najdi 与 Hijazi 沙特方言数据上做最小化筛选（保留 103,559/125,490 条、133.7 小时、82.5%）、按 90% 沙特语音加 7% 英语与 3% 阿拉伯语 FLEURS 的加权回放混合、时长分桶批处理，并在两块 GPU 上训练 12,000 步约 4.5 小时，使 Najdi+Hijazi 测试集 WER 从 55.05% 降到 29.96%、CER 从 31.63% 降到 12.18%，全 SADA WER 从 58.84% 降到 35.61%，同时 FLEURS 英语 WER 从 11.04% 降到 10.42%、阿拉伯
这篇 NVIDIA 教程以 Cache-Aware FastConformer-RNNT 多语种流式 ASR 模型为基础，在 SADA 2022 的 Najdi 与 Hijazi 沙特方言数据上做最小化筛选（保留 103,559/125,490 条、133.7 小时、82.5%）、按 90% 沙特语音加 7% 英语与 3% 阿拉伯语 FLEURS 的加权回放混合、时长分桶批处理，并在两块 GPU 上训练 12,000 步约 4.5 小时，使 Najdi+Hijazi 测试集 WER 从 55.05% 降到 29.96%、CER 从 31.63% 降到 12.18%，全 SADA WER 从 58.84% 降到 35.61%，同时 FLEURS 英语 WER 从 11.04% 降到 10.42%、阿拉伯
Investigative Radiology 2026年10月1日
这项双中心研究纳入378例（190例良性、227个病灶；188例恶性、2681个病灶）局灶性肝脏病变患者，用nnU-Net自动分割并经腹部放射科医师确认后，从PCD-CT的9个光谱数据集（40、50、70、90、110、140、180 keV、虚拟平扫VNC和碘密度图IDM）提取影像组学特征，训练多种机器学习模型并按患者聚合病灶级预测，结果显示基于VNC训练的随机森林模型性能最高（AUC 0.899，95% CI 0.840-0.951，准确率83.5%），跨域分析中各训练重建的平均AUC相近（0.75-0.83），而测试重建的选择影响表现：110、140、180 keV与VNC测试最稳定（中位AUC≥
这项双中心研究纳入378例（190例良性、227个病灶；188例恶性、2681个病灶）局灶性肝脏病变患者，用nnU-Net自动分割并经腹部放射科医师确认后，从PCD-CT的9个光谱数据集（40、50、70、90、110、140、180 keV、虚拟平扫VNC和碘密度图IDM）提取影像组学特征，训练多种机器学习模型并按患者聚合病灶级预测，结果显示基于VNC训练的随机森林模型性能最高（AUC 0.899，95% CI 0.840-0.951，准确率83.5%），跨域分析中各训练重建的平均AUC相近（0.75-0.83），而测试重建的选择影响表现：110、140、180 keV与VNC测试最稳定（中位AUC≥
双中心378例PCD-CT光谱重建影像组学：VNC训练模型区分肝脏良恶性病变AUC达0.899，高keV与VNC测试更稳定
这项双中心研究纳入378例（190例良性、227个病灶；188例恶性、2681个病灶）局灶性肝脏病变患者，用nnU-Net自动分割并经腹部放射科医师确认后，从PCD-CT的9个光谱数据集（40、50、70、90、110、140、180 keV、虚拟平扫VNC和碘密度图IDM）提取影像组学特征，训练多种机器学习模型并按患者聚合病灶级预测，结果显示基于VNC训练的随机森林模型性能最高（AUC 0.899，95% CI 0.840-0.951，准确率83.5%），跨域分析中各训练重建的平均AUC相近（0.75-0.83），而测试重建的选择影响表现：110、140、180 keV与VNC测试最稳定（中位AUC≥
这项双中心研究纳入378例（190例良性、227个病灶；188例恶性、2681个病灶）局灶性肝脏病变患者，用nnU-Net自动分割并经腹部放射科医师确认后，从PCD-CT的9个光谱数据集（40、50、70、90、110、140、180 keV、虚拟平扫VNC和碘密度图IDM）提取影像组学特征，训练多种机器学习模型并按患者聚合病灶级预测，结果显示基于VNC训练的随机森林模型性能最高（AUC 0.899，95% CI 0.840-0.951，准确率83.5%），跨域分析中各训练重建的平均AUC相近（0.75-0.83），而测试重建的选择影响表现：110、140、180 keV与VNC测试最稳定（中位AUC≥
DOAJ (DOAJ: Directory of Open Access Journals) 2026年10月1日
该研究以科学计量方法分析Scopus与Web of Science中经PRISMA筛选后保留的269篇原始研究论文，发现决策仪表盘中可解释AI研究的知识核心由可解释AI、决策与深度学习三个概念构成，主题随时间从神经网络、支持向量机等经典机器学习转向可视化深度学习、可视化技术、信任与智能决策支持系统，并呈现从技术中心向以人与决策为中心演进的趋势。
该研究以科学计量方法分析Scopus与Web of Science中经PRISMA筛选后保留的269篇原始研究论文，发现决策仪表盘中可解释AI研究的知识核心由可解释AI、决策与深度学习三个概念构成，主题随时间从神经网络、支持向量机等经典机器学习转向可视化深度学习、可视化技术、信任与智能决策支持系统，并呈现从技术中心向以人与决策为中心演进的趋势。
对269篇文献的科学计量分析显示，决策仪表盘中的可解释AI研究正从算法中心转向以人与决策为中心
该研究以科学计量方法分析Scopus与Web of Science中经PRISMA筛选后保留的269篇原始研究论文，发现决策仪表盘中可解释AI研究的知识核心由可解释AI、决策与深度学习三个概念构成，主题随时间从神经网络、支持向量机等经典机器学习转向可视化深度学习、可视化技术、信任与智能决策支持系统，并呈现从技术中心向以人与决策为中心演进的趋势。
该研究以科学计量方法分析Scopus与Web of Science中经PRISMA筛选后保留的269篇原始研究论文，发现决策仪表盘中可解释AI研究的知识核心由可解释AI、决策与深度学习三个概念构成，主题随时间从神经网络、支持向量机等经典机器学习转向可视化深度学习、可视化技术、信任与智能决策支持系统，并呈现从技术中心向以人与决策为中心演进的趋势。
DOAJ (DOAJ: Directory of Open Access Journals) 2026年10月1日
这篇题为《文献计量分析与共词映射：知识图谱领域》的文章以文献计量与共词分析为方法，围绕知识图谱研究领域组织并梳理了相关文献，其参考文献涵盖知识图谱的定义与综述、嵌入方法、补全与精化、领域专用图谱、教育等应用，以及科学计量与共词分析方法本身，但本次可获取的文本仅为参考文献列表，正文、图表与具体计量结果未包含在内。
这篇题为《文献计量分析与共词映射：知识图谱领域》的文章以文献计量与共词分析为方法，围绕知识图谱研究领域组织并梳理了相关文献，其参考文献涵盖知识图谱的定义与综述、嵌入方法、补全与精化、领域专用图谱、教育等应用，以及科学计量与共词分析方法本身，但本次可获取的文本仅为参考文献列表，正文、图表与具体计量结果未包含在内。
知识图谱领域的文献计量与共词映射：一篇综述性研究梳理了该领域的知识基础与主题结构
这篇题为《文献计量分析与共词映射：知识图谱领域》的文章以文献计量与共词分析为方法，围绕知识图谱研究领域组织并梳理了相关文献，其参考文献涵盖知识图谱的定义与综述、嵌入方法、补全与精化、领域专用图谱、教育等应用，以及科学计量与共词分析方法本身，但本次可获取的文本仅为参考文献列表，正文、图表与具体计量结果未包含在内。
这篇题为《文献计量分析与共词映射：知识图谱领域》的文章以文献计量与共词分析为方法，围绕知识图谱研究领域组织并梳理了相关文献，其参考文献涵盖知识图谱的定义与综述、嵌入方法、补全与精化、领域专用图谱、教育等应用，以及科学计量与共词分析方法本身，但本次可获取的文本仅为参考文献列表，正文、图表与具体计量结果未包含在内。
British Journal of Radiology 2026年10月1日
这篇由牛津大学团队撰写的综述系统梳理了冠周脂肪组织（PCAT）作为冠脉炎症生物传感器的解剖生理基础，说明标准化后的脂肪衰减指数（FAI Score）如何校正技术、解剖和生物学变异并用于预测 MACE，并汇总了人工智能自动分割与多参数风险建模的作用，以及他汀、抗 oxLDL 抗体、抗 TNF 生物制剂、放疗和卡格列净/GLP-1 类药物等干预后 FAI 下降的证据，指出 PCAT 成像有望补充传统危险因素和斑块指标，但当前证据仍在演进中。
这篇由牛津大学团队撰写的综述系统梳理了冠周脂肪组织（PCAT）作为冠脉炎症生物传感器的解剖生理基础，说明标准化后的脂肪衰减指数（FAI Score）如何校正技术、解剖和生物学变异并用于预测 MACE，并汇总了人工智能自动分割与多参数风险建模的作用，以及他汀、抗 oxLDL 抗体、抗 TNF 生物制剂、放疗和卡格列净/GLP-1 类药物等干预后 FAI 下降的证据，指出 PCAT 成像有望补充传统危险因素和斑块指标，但当前证据仍在演进中。
牛津团队综述：冠周脂肪成像把冠脉炎症变成可量化指标，FAI Score 在调脂、生物制剂和放疗后均出现下降
这篇由牛津大学团队撰写的综述系统梳理了冠周脂肪组织（PCAT）作为冠脉炎症生物传感器的解剖生理基础，说明标准化后的脂肪衰减指数（FAI Score）如何校正技术、解剖和生物学变异并用于预测 MACE，并汇总了人工智能自动分割与多参数风险建模的作用，以及他汀、抗 oxLDL 抗体、抗 TNF 生物制剂、放疗和卡格列净/GLP-1 类药物等干预后 FAI 下降的证据，指出 PCAT 成像有望补充传统危险因素和斑块指标，但当前证据仍在演进中。
这篇由牛津大学团队撰写的综述系统梳理了冠周脂肪组织（PCAT）作为冠脉炎症生物传感器的解剖生理基础，说明标准化后的脂肪衰减指数（FAI Score）如何校正技术、解剖和生物学变异并用于预测 MACE，并汇总了人工智能自动分割与多参数风险建模的作用，以及他汀、抗 oxLDL 抗体、抗 TNF 生物制剂、放疗和卡格列净/GLP-1 类药物等干预后 FAI 下降的证据，指出 PCAT 成像有望补充传统危险因素和斑块指标，但当前证据仍在演进中。
European Journal Pharmaceutical and Medical Research 2026年10月1日
这篇综述围绕个性化医疗这一目标，梳理了人工智能在生物标志物发现、疾病亚型划分、风险预测、早期诊断、治疗反应建模、药物基因组学、数字病理、纵向监测和临床决策支持等领域的应用，并讨论了支撑个性化的数据类型、概念基础、尚未解决的伦理与法律问题，以及从研究潜力走向临床实践之间的障碍，同时强调人工智能并非取代医生的决策，而是帮助医生获取超出个人即时记忆容量的信息。
这篇综述围绕个性化医疗这一目标，梳理了人工智能在生物标志物发现、疾病亚型划分、风险预测、早期诊断、治疗反应建模、药物基因组学、数字病理、纵向监测和临床决策支持等领域的应用，并讨论了支撑个性化的数据类型、概念基础、尚未解决的伦理与法律问题，以及从研究潜力走向临床实践之间的障碍，同时强调人工智能并非取代医生的决策，而是帮助医生获取超出个人即时记忆容量的信息。
这篇综述梳理人工智能在个性化医疗中的角色：从生物标志物发现到临床决策支持，并指出伦理法律与落地障碍仍未解决
这篇综述围绕个性化医疗这一目标，梳理了人工智能在生物标志物发现、疾病亚型划分、风险预测、早期诊断、治疗反应建模、药物基因组学、数字病理、纵向监测和临床决策支持等领域的应用，并讨论了支撑个性化的数据类型、概念基础、尚未解决的伦理与法律问题，以及从研究潜力走向临床实践之间的障碍，同时强调人工智能并非取代医生的决策，而是帮助医生获取超出个人即时记忆容量的信息。
这篇综述围绕个性化医疗这一目标，梳理了人工智能在生物标志物发现、疾病亚型划分、风险预测、早期诊断、治疗反应建模、药物基因组学、数字病理、纵向监测和临床决策支持等领域的应用，并讨论了支撑个性化的数据类型、概念基础、尚未解决的伦理与法律问题，以及从研究潜力走向临床实践之间的障碍，同时强调人工智能并非取代医生的决策，而是帮助医生获取超出个人即时记忆容量的信息。
Journal of Orthopaedic Trauma 2026年10月1日
这项单中心回顾性队列研究纳入197例接受OTA/AO 31-A/B/C髋部骨折固定的老年患者，用AI驱动的临床恶化指数（CDI，基于31项临床指标生成0–100分）在术后48小时内分组，发现CDI≥65的15例（7.6%）患者并发症率更高（93.3% vs 26.4%）、住院更长（10.1 vs 5.2天）、出院行走距离更短（8.8 vs 42.3英尺）、一年死亡率更高（20.0% vs 3.8%），并提示机构沿用的65分阈值特异性高（99.3%）但敏感性低（22.6%），优化阈值47.7可将敏感性提升至77.4%、准确率相当（75.0%）。
这项单中心回顾性队列研究纳入197例接受OTA/AO 31-A/B/C髋部骨折固定的老年患者，用AI驱动的临床恶化指数（CDI，基于31项临床指标生成0–100分）在术后48小时内分组，发现CDI≥65的15例（7.6%）患者并发症率更高（93.3% vs 26.4%）、住院更长（10.1 vs 5.2天）、出院行走距离更短（8.8 vs 42.3英尺）、一年死亡率更高（20.0% vs 3.8%），并提示机构沿用的65分阈值特异性高（99.3%）但敏感性低（22.6%），优化阈值47.7可将敏感性提升至77.4%、准确率相当（75.0%）。
AI驱动的临床恶化指数在老年髋部骨折术后识别高危患者：CDI≥65者并发症率93.3%、一年死亡率20.0%
这项单中心回顾性队列研究纳入197例接受OTA/AO 31-A/B/C髋部骨折固定的老年患者，用AI驱动的临床恶化指数（CDI，基于31项临床指标生成0–100分）在术后48小时内分组，发现CDI≥65的15例（7.6%）患者并发症率更高（93.3% vs 26.4%）、住院更长（10.1 vs 5.2天）、出院行走距离更短（8.8 vs 42.3英尺）、一年死亡率更高（20.0% vs 3.8%），并提示机构沿用的65分阈值特异性高（99.3%）但敏感性低（22.6%），优化阈值47.7可将敏感性提升至77.4%、准确率相当（75.0%）。
这项单中心回顾性队列研究纳入197例接受OTA/AO 31-A/B/C髋部骨折固定的老年患者，用AI驱动的临床恶化指数（CDI，基于31项临床指标生成0–100分）在术后48小时内分组，发现CDI≥65的15例（7.6%）患者并发症率更高（93.3% vs 26.4%）、住院更长（10.1 vs 5.2天）、出院行走距离更短（8.8 vs 42.3英尺）、一年死亡率更高（20.0% vs 3.8%），并提示机构沿用的65分阈值特异性高（99.3%）但敏感性低（22.6%），优化阈值47.7可将敏感性提升至77.4%、准确率相当（75.0%）。
发表出处待核验 2026年10月1日
这篇评论在回应Stein等人关于精神病学大数据批判性综述的基础上，提出精神病学已从“全是理论没有数据”摆向“全是数据没有理论”，并主张三条改进方向：在使用大数据时更多考虑理论、发展个体内（idiographic）精神病学、以及将生成式人工智能整合进精神科研究与临床实践。
这篇评论在回应Stein等人关于精神病学大数据批判性综述的基础上，提出精神病学已从“全是理论没有数据”摆向“全是数据没有理论”，并主张三条改进方向：在使用大数据时更多考虑理论、发展个体内（idiographic）精神病学、以及将生成式人工智能整合进精神科研究与临床实践。
作者主张精神病学大数据需转向理论驱动、个体内密集采样与生成式AI整合，以弥补当前无理论预测研究的不足
这篇评论在回应Stein等人关于精神病学大数据批判性综述的基础上，提出精神病学已从“全是理论没有数据”摆向“全是数据没有理论”，并主张三条改进方向：在使用大数据时更多考虑理论、发展个体内（idiographic）精神病学、以及将生成式人工智能整合进精神科研究与临床实践。
这篇评论在回应Stein等人关于精神病学大数据批判性综述的基础上，提出精神病学已从“全是理论没有数据”摆向“全是数据没有理论”，并主张三条改进方向：在使用大数据时更多考虑理论、发展个体内（idiographic）精神病学、以及将生成式人工智能整合进精神科研究与临床实践。
发表出处待核验 2026年10月1日
该研究用布达佩斯M4地铁2024年一年、实际可用216天、5:00至24:00的小时级进站客流数据，在限定单站单方向（Kálvin tér至Kelenföld vasútállomás）和6小时预测窗口下，公平比较了内在可解释的NeuralProphet与用SHAP做事后解释的黑箱XGBoost，结果显示XGBoost预测更准（MAE 91.0753对230.2803，RMSE 144.7094对363.2115，R² 0.9600对0.7896），且SHAP给出的时间特征重要性与NeuralProphet的季节性分量及交通领域专家知识相符。
该研究用布达佩斯M4地铁2024年一年、实际可用216天、5:00至24:00的小时级进站客流数据，在限定单站单方向（Kálvin tér至Kelenföld vasútállomás）和6小时预测窗口下，公平比较了内在可解释的NeuralProphet与用SHAP做事后解释的黑箱XGBoost，结果显示XGBoost预测更准（MAE 91.0753对230.2803，RMSE 144.7094对363.2115，R² 0.9600对0.7896），且SHAP给出的时间特征重要性与NeuralProphet的季节性分量及交通领域专家知识相符。
布达佩斯M4地铁需求预测中XGBoost精度超过NeuralProphet，且SHAP解释与专家认知一致
该研究用布达佩斯M4地铁2024年一年、实际可用216天、5:00至24:00的小时级进站客流数据，在限定单站单方向（Kálvin tér至Kelenföld vasútállomás）和6小时预测窗口下，公平比较了内在可解释的NeuralProphet与用SHAP做事后解释的黑箱XGBoost，结果显示XGBoost预测更准（MAE 91.0753对230.2803，RMSE 144.7094对363.2115，R² 0.9600对0.7896），且SHAP给出的时间特征重要性与NeuralProphet的季节性分量及交通领域专家知识相符。
该研究用布达佩斯M4地铁2024年一年、实际可用216天、5:00至24:00的小时级进站客流数据，在限定单站单方向（Kálvin tér至Kelenföld vasútállomás）和6小时预测窗口下，公平比较了内在可解释的NeuralProphet与用SHAP做事后解释的黑箱XGBoost，结果显示XGBoost预测更准（MAE 91.0753对230.2803，RMSE 144.7094对363.2115，R² 0.9600对0.7896），且SHAP给出的时间特征重要性与NeuralProphet的季节性分量及交通领域专家知识相符。
发表出处待核验 2026年10月1日
该研究以先前训练的时序卷积网络抹香鲸咔嗒声序列检测器为起点，在四个来源（BAL、CS、ICE、MED）上比较四种迁移方案——跨数据集基线评估、仅用500条目标录音从头训练、预训练后随机微调、预训练后主动（基于不确定性）微调——发现预训练模型在未见数据上性能下降，但用500条目标录音微调可有效缓解下降，主动微调在所有目标集上持续优于其他方案，不过相对随机微调的提升有限。
该研究以先前训练的时序卷积网络抹香鲸咔嗒声序列检测器为起点，在四个来源（BAL、CS、ICE、MED）上比较四种迁移方案——跨数据集基线评估、仅用500条目标录音从头训练、预训练后随机微调、预训练后主动（基于不确定性）微调——发现预训练模型在未见数据上性能下降，但用500条目标录音微调可有效缓解下降，主动微调在所有目标集上持续优于其他方案，不过相对随机微调的提升有限。
在未见数据集上，用多样数据预训练再以500条目标录音微调，把抹香鲸咔嗒声检测器的AUC从最低0.60提升到0.78–0.97
该研究以先前训练的时序卷积网络抹香鲸咔嗒声序列检测器为起点，在四个来源（BAL、CS、ICE、MED）上比较四种迁移方案——跨数据集基线评估、仅用500条目标录音从头训练、预训练后随机微调、预训练后主动（基于不确定性）微调——发现预训练模型在未见数据上性能下降，但用500条目标录音微调可有效缓解下降，主动微调在所有目标集上持续优于其他方案，不过相对随机微调的提升有限。
该研究以先前训练的时序卷积网络抹香鲸咔嗒声序列检测器为起点，在四个来源（BAL、CS、ICE、MED）上比较四种迁移方案——跨数据集基线评估、仅用500条目标录音从头训练、预训练后随机微调、预训练后主动（基于不确定性）微调——发现预训练模型在未见数据上性能下降，但用500条目标录音微调可有效缓解下降，主动微调在所有目标集上持续优于其他方案，不过相对随机微调的提升有限。

第 1 页 · 当前显示 10 项