Jun, 2022

一种多目标约束 POMDP 模型用于乳腺癌筛查

PDF
TL;DR本研究提出了一种基于 CPOMDP 的多目标模型，用于乳腺癌筛查，该模型允许在乳腺 X 线摄影检查（mammography）的基础上使用辅助筛查方法。实验结果表明，使用加权目标的策略可以生成平衡的 QALY 和 LBCMR 值，并发现在预算有限的情况下，附加筛查的成本和不适感对于改善策略性能的影响较小。
breast cancerscreeningcpomdpmulti-objective modelpareto frontier
发现论文，激发创造
  • POPCORN：部分观察预测约束强化学习

    本文提出了一种新的优化目标，以批处理离线策略为特点，即使在某些观测对于规划无关紧要时，该方法也能产生高性能策略和高质量的生成模型，并将其应用于合成样例和一个具有挑战性的医疗决策问题。

    Jan, 2020

  • 乳腺癌筛查乳腺 X 线摄影检测

    乳腺癌是导致癌症相关死亡的主要原因，但目前的计划成本高且容易出现误报，导致不必要的随访和患者焦虑。本文提出了一种自动乳腺癌检测的解决方案，旨在提高筛查计划的效率和准确性。该研究对 RSNA 数据集中的射线乳腺图片进行了不同的方法测试，约有 2 万名女性患者，并在方法间获得了平均验证 pF1 分数为 0.56。

    Jul, 2023

  • 递归约束偏观测马尔可夫决策过程

    通过引入新的限制性、历史依赖成本约束的递归约束部分可观察马尔可夫决策问题 (RC-POMDP)，本文解决了常规约束部分可观察马尔可夫决策问题 (C-POMDP) 中存在的问题，并提出了一个基于点的动态规划算法来寻找 RC-POMDP 的最优策略。实验证明，相比于 C-POMDP 的策略，RC-POMDP 的策略具有更好的行为，并展示了算法在一组基准问题上的有效性。

    Oct, 2023

  • 线性规划方法求解约束部分可观测的马尔可夫决策过程

    使用 LP 模型结合基于网格的近似方法生成近似策略，研究了解决限制观测 Markov 决策过程的效果。结果表明，LP 模型可有效地生成有限和无限时间段问题的近似策略，同时提供将各种附加约束集成到模型中的灵活性。

    Jun, 2022

  • 乳腺 X 线摄影纵向风险预测

    将一种最新的机器学习模型，LoMaR，扩展到匹配任意数量的纵向乳房摄影，并预测未来乳腺癌风险，证明长期纪录（如四个年度乳房摄影）可以显著提高未来乳腺癌风险的预测准确性。

    Apr, 2024

  • 使用机器学习自动化乳腺 X 光摄影图像分析

    本文提出了一种计算机辅助自动乳房 X 线摄影分析系统，其中包含三个连续的图像处理、特征选择和图像分类阶段，可以有效分类正常或癌症，实验证明该系统可以提高分类性能。

    Dec, 2020

  • MammoDG：泛化深度学习突破多中心交叉领域乳腺癌筛查的限制

    通过开发 MammoDG，一个新颖的深度学习框架，借鉴多视角乳房 X 光和一种新颖的对比机制以提高泛化能力，研究人员证明了领域泛化对于可靠的乳房 X 光分析中的重要性，突出了该方法的优越性。

    Aug, 2023

  • 利用机器学习技术进行乳腺癌诊断

    评估了乳腺癌三种创新的诊断技术，并研究了利用机器学习技术（如卷积神经网络）的计算机辅助诊断系统来提高病人的生存率。

    May, 2023

  • 约束风险厌恶马尔可夫决策过程

    该研究旨在设计面向具有动态一致风险目标和约束的马尔可夫决策过程的策略。作者提出了一个基于优化的方法来综合最小化受约束的风险 - 厌恶问题的可行马尔可夫策略，并通过数值实验验证了该方法的有效性。

    Dec, 2020

  • MammoDL：使用联邦学习的乳腺 X 线密度估计

    MammoDL 是一种开源软件工具，采用 U-Net 架构来准确估计乳腺密度和复杂性，通过 Open Federated Learning 在多个机构的数据集上实现了安全训练，与其他模型相比，该模型更轻便、更灵活，因为联邦学习使其在更大、更具代表性的数据集上训练，从而提高了泛化能力。

    Jun, 2022