用异质损失函数处理癌症的不同受试者和同一受试者变异性
该研究使用基于深度学习的模型探讨了在组织分类问题中,通过利用组织之间的结构特征解决数据不足的问题。研究进一步表明,借助少量或无淋巴节点数据,利用原始肿瘤组织或通过 Cycle-GANs 变换的乳腺癌数据训练的模型可以用于发现其他器官的癌症细胞扩散情况。
May, 2020
一个基于 ResNet 的特征提取器用于检测急性淋巴细胞性白血病(ALL),结合各种特征选择器和分类器,通过多种迁移学习模型提取深层特征后,利用 MLP 分类器对选定数据集中的 ALL 和 HEM 进行分类,取得了卓越的 90.71%准确性和 95.76%的敏感性,并且在该数据集上优于其他方法。
Jun, 2024
医学人工智能算法的泛化水平可以通过建立一个分层三级评估系统来反映,该系统更好地反映了真实医疗情境的多样性,其中用于重新校准模型的目标领域数据可能可用也可能不可用,并且如果可用的话,可能或可能不会系统地提供参考标签。
Nov, 2023
本研究旨在将深度神经进化算法(DNE)应用于来自不同机构的图像数据集中,以解决人工智能在放射学中的过度拟合和泛化问题,并应用于分类磁共振成像中的神经母细胞瘤脑转移。结果表明,该算法在虚拟的汇总图像数据集上取得了接近完美的分类准确性,为实现临床可行的人工智能提供了重要的贡献。
Nov, 2022
利用深度学习技术,提出了一种自动化检测急性淋巴细胞白血病的计算机辅助诊断方法,该方法使用多个转移学习模型进行 ALL 分类,并通过本地可解释性模型的背书验证了其准确性,为医疗实践者提供了有价值的工具,突出了可解释人工智能在医学诊断中的影响。
Dec, 2023
近年来,我们不断发展了大量用于医学图像分析的深度学习模型,但仍然存在诸多挑战,如模型泛化性能、性能下降原因和如何克服性能下降等。本研究回顾了基于深度学习的分类模型的泛化方法,并讨论了未来的挑战,包括改进评估协议和基准以及实现稳健、泛化的医学图像分类模型的未来发展。
Mar, 2024
本研究利用 3117 个来自多个老年痴呆研究队列和记忆门诊的 MRI 扫描图像,通过在训练数据中加入更广泛的图像分布来考察深度学习模型在诊所数据集中的泛化能力,进而探究深度学习模型对于不同扫描仪、协议和疾病群体的影响。研究发现,更广泛的训练图像可以提高模型的泛化能力,并且未来的深度学习研究需要在多个外部队列上进行评估,以得到可靠的结果。
Nov, 2019
对 42 篇研究进行了系统综述,旨在讨论深度学习模型如何支持癌症生物学的推理,并重点关注多组学分析。我们介绍了一种称为生物中心可解释性的概念,并根据其分类方法讨论了在这些模型中整合领域先验知识的表征方法。分析表明,编码先验知识和改进解释性之间存在趋同性,这是深度学习模型形式化生物解释性和发展不那么特定于问题或应用的方法的重要一步。
Jul, 2022
通过视觉变换器为高分辨率 WSI 从研究多模态分类器训练的 DLBCL(弥漫性大 B 细胞淋巴瘤)癌症亚型提出了一个前景恶劣,比现有的替代方法更便宜,更快速。
Aug, 2023
人工智能在放射学领域的广泛应用,揭示了深度学习模型对弱势患者群体的临床偏见的风险。本研究表明,有针对性的标签污染攻击可以在深度学习模型中引入有害的低诊断偏见,在不影响整体模型性能的情况下降低对弱势群体的诊断准确性。此外,我们的研究结果表明,性别、年龄以及它们的交叉子群体在模型训练数据中的表示对于无法检测到的对抗性偏见攻击的群体脆弱性有直接相关性。
Feb, 2024