ADAM-1:用于阿尔茨海默病检测和微生物组-临床数据集成的AI推理和生物信息模型
Ziyuan Huang1,2,3, Vishaldeep Kaur Sekhon4, Roozbeh Sadeghian5
1Department of Microbiology, UMass Chan Medical School, Worcester, MA 01655, USA.
IEEE access : practical innovations, open solutions
|October 2, 2025
概括
阿尔茨海默病分析模型第1代 (ADAM-1),一个大型语言模型框架,使用多式联络数据改进了阿尔茨海默病的分类. 它显示出比传统方法更强大的稳定性和一致性.
科学领域:
- 计算生物学是一种计算生物学.
- 医学中的人工智能
- 神经科学是一个神经科学.
背景情况:
- 阿尔茨海默病 (AD) 诊断依赖于复杂的多式联络数据.
- 现有的分析模型可能缺乏稳定性和一致性.
- 整合不同的数据源对于增强AD理解至关重要.
研究的目的:
- 介绍阿尔茨海默病分析模型第1代 (ADAM-1),一个新的大型语言模型 (LLM) 框架.
- 利用多式联络数据改善阿尔茨海默病的分类.
- 通过先进的人工智能增强AD研究和诊断应用.
主要方法:
- 开发ADAM-1,一个多代理推理LLM框架.
- 整合和分析微生物组资料,临床数据集和知识库.
- 与XGBoost使用多模式人类生物数据进行比较评估.
主要成果:
- 与XGBoost.com相比,ADAM-1显示了明显改善的F1平均得分.
- 在ADAM-1中,差异显著降低,表明增强了强度和一致性.
- 该框架有效地将研究结果与文献驱动的证据联系起来.
结论:
- ADAM-1为阿尔茨海默病的分类提供了一个强大而一致的方法.
- 该LLM框架显示了在AD研究和诊断中更广泛应用的潜力.
- 未来的工作将扩大数据模式和疾病进展的预测能力.
更多相关视频
09:33Quantitative 3D In Silico Modeling q3DISM of Cerebral Amyloid-beta Phagocytosis in Rodent Models of Alzheimer's Disease
Published on: December 26, 2016
8.4K
04:41Mapping Alzheimer's Disease Variants to Their Target Genes Using Computational Analysis of Chromatin Configuration
Published on: January 9, 2020
19.3K
