University of Wisconsin-Madison（威斯康星大学麦迪逊分校）

Making Clinical Language Models Auditable: Concept-Guided Fine-Tuning for Robust Prediction

使临床语言模型可审计：概念引导的鲁棒预测微调

Jin Mu, Guanhua Chen

机构 * University of Wisconsin–Madison（威斯康星大学麦迪逊分校） 纠错

AI总结 本研究提出基于SAE的可审计临床文本分类框架CAST，通过提取并抑制病历人工制品特征，在MIMIC-IV死亡率预测任务上提升了基线性能并保留与强LLM相当的效果，同时提供可审计的特征级轨迹。

Automated 2D and 3D Segmentation of AMD and DME Lesions in OCT

OCT中AMD与DME病灶的2D和3D自动分割

Lucia Sundberg, Zhihao Zhao, M. Ali Nasseri

机构 * Technical University of Munich（慕尼黑工业大学） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校） 纠错

AI总结 本研究开发四种AMD与DME病灶的2D/3D分割流水线，经域内验证性能良好，通过OLIVES外部队列测试证实模型可泛化追踪临床生物标志物，为相关临床工具提供了证据。

Surgical Alignment in Knowledge Graph Training for Clinical Diagnosis with Large Language Models

面向临床诊断的大语言模型训练中知识图谱的外科式对齐

Saksham Khatwani, He Cheng, Majid Afshar, Dmitriy Dligach, Yanjun Gao

机构 * University of Colorado Anschutz Medical Campus（科罗拉多大学安舒茨医学校区） ； University of Wisconsin Madison（威斯康星大学麦迪逊分校） ； Loyola University（洛约拉大学） 纠错

AI总结 该研究针对临床诊断的LLM训练，通过多维度系统研究引入GID和GD，发现KL正则化下KG判断训练的稀疏更新（外科式对齐）可提升推理质量，需结合优化几何诊断评估KG-LLM整合。

Fine-Tuning of Transformer models with Frames

基于帧的Transformer模型微调

Harshavardhan Adepu, Li Zhang, Sanjiv Kumar, Vikas Singh

机构 * University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； Google DeepMind（谷歌DeepMind） 纠错

AI总结 该研究提出FrameFT方法，采用融合帧基的稀疏系数矩阵实现Transformer模型的参数高效微调，性能优于或媲美现有PEFT技术，且所需可训练参数更少。

Comments 21 pages, 6 figures