功能化纳米手指增强预训练语言模型性能,用于超快速提前预警心脏病发作
Hongming Zhang1, Zerui Liu1, Heming Sun1
1Ming Hsieh Department of Electrical and Computer Engineering, University of Southern California, Los Angeles, California 90089-0271, United States.
ACS applied bio materials
|July 20, 2025
概括
这项研究引入了一个人工智能系统,将血液生物标志物分析和患者症状结合起来,用于准确的早期心脏病发作检测. 这种新的方法实现了99.19%的准确性,改进了传统方法.
科学领域:
- 生物医学工程 生物医学工程
- 人工智能的人工智能
- 医学诊断 医学诊断 医学诊断
背景情况:
- 心脏病发作是全球主要的死亡原因,需要改进早期预警系统.
- 传统的诊断方法,如心电图和血液检查,在速度和准确性方面存在局限性,往往会延迟治疗.
- 之前的工作建立了一个纳米指平台用于生物标志物检测,具有高的真正阳性率,但有限的真负准确性.
研究的目的:
- 通过将患者症状的AI驱动分析与血液生物标志物数据相结合,提高早期心脏病发作检测的准确性.
- 开发一种基于人工智能的可扩展解决方案,用于早期心脏病发作检测,解决传统方法的局限性.
- 为更广泛的疾病检测应用适应人工智能方法.
主要方法:
- 用血液生物标志物数据 (BNP) 对患者症状 (当前和历史) 的综合AI分析.
- 利用精心调整的预训练语言模型来处理用于诊断分类的融合数据.
- 采用生成模型进行数据增强,以提高模型的稳定性和扩展数据集.
主要成果:
- 实现了99.19%的诊断准确率,明显优于传统方法.
- 成功地将多模式患者数据 (生物标志物和症状) 融合在一起,以提高诊断性能.
- 证明了生成模型在增强AI培训有限的临床数据方面的有效性.
结论:
- 开发的AI系统为早期心脏病发作检测提供了可扩展和准确的解决方案.
- 血液分析,LLM和生成模型的整合代表了自动化医学诊断的重大进步.
- 人工智能框架可适应其他疾病的早期检测,突出其广泛的医疗保健潜力.
