跳到主要内容
检索

Wright State University

2 篇关联报道

订阅更新
  1. medRxiv

    在独立外部队列中验证机器学习模型:集合模型以0.77一致性指数预测脊柱裂患者新发肾积水,并以71%准确率分类膀胱功能障碍

    本研究将此前开发的三种机器学习模型(基于压力-容积数据的深度学习卷积神经网络、基于透视影像的深度学习影像模型,以及平均两者风险数据的集合模型)适配到单一机构2016至2025年间脊柱裂患者的独立外部队列,用于预测新发肾积水和分类膀胱功能障碍严重程度;在70例肾积水队列中13例(18%)发生新发肾积水,集合模型一致性指数0.77(压力-容积0.70、影像0.72)、总体AUROC 0.75(压力-容积0.67、影像0.74),在95次VUDS检查的膀胱功能障碍分类中集合模型准确率71%(压力-容积60%、影像66%),与专家儿科泌尿科医师评审无实质性分歧,结论是这些模型可适配外部独立数据集并达到与

  2. 教育领域系统综述中的AI辅助数据提取:LLM准确性实证与人在回路工具AIDE

    该研究通过一项先导研究和一项主研究,用Claude 2.1、ChatPDF、GPT-4以及Gemini 1.5 Flash、Gemini 1.5 Pro、Mistral Large 2等LLM,从教育领域已发表综述的112项研究中提取显性变量与派生变量并与人工编码对比,发现LLM在提取显性数据时一致性较高但在按预设类别归类时明显下降、Cohen's Kappa普遍偏低,据此提出并开发了强制逐条人工验证的开源人在回路(HIL)数据提取工具AIDE。

已读完全部报道