研究者提出无需概念标注的可解释临床文本预测框架
热点事件持续更新
研究者提出无需概念标注的可解释临床文本预测框架
1 篇报道1 个报道来源2 小时前更新
先了解这件事
AI 综述
Jifan Gao 等研究者提出一种基于概念的可解释临床文本预测框架，通过定制的 token-concept 交叉注意力瓶颈结构，无需人工概念标注即可识别概念相关性并用于线性预测层，结果发布于 arXiv 论文（arXiv:2611.13564）。 据论文报告，该框架在两项任务上验证：基于私有数据集的胸部创伤严重程度分层，以及基于公开 MIMIC-III 数据集的院内死亡率预测；两项任务中框架的 AUROC 与对应黑盒模型差距均在 0.02 以内，同时支持队列级与患者级解释。
AI 根据报道生成 · 1 小时前更新
最新进展11月11日 13:00
无需概念监督的 Token-Concept Attention 临床文本预测可解释框架报道时间线
沿着报道，了解事件的不同侧面。
11月11日
- arXiv cs.AI无需概念监督的 Token-Concept Attention 临床文本预测可解释框架
研究者提出一种基于概念的可解释临床文本预测框架，通过定制的 cross-attention 瓶颈结构，无需人工概念标注即可识别概念相关性并用于线性预测层。该框架在胸部创伤严重程度分层（私有数据集）和院内死亡率预测（MIMIC-III）两项任务中，AUROC 与对应黑盒模型差距在 0.02 以内，并支持队列级与患者级解释。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。