Jul, 2022

面向非黑色素皮肤癌高度表现力的机器学习模型

PDF
TL;DR采用离散建模技术应用于非黑素瘤皮肤癌问题，通过实现 VQ-GAN 模型重建高分辨率 IEC 图像并训练序列转换器以生成自然语言描述，提供了理解疾病的另一个角度。
pathologistsmachine learningimage featuresnatural languageskin cancer
发现论文，激发创造
  • 基于视觉转换的皮肤病生成与分类

    本文提出了一个新的多类预测框架，基于 ViT 和 ViTGAN，在使用可解释 AI 的情况下，对皮肤病变分类。该框架分四个阶段，引入了生成对抗网络来解决类不平衡问题，使用卷积神经网络实现分类，实验结果相较于现有框架有所改善。

    Feb, 2023

  • 上下文学习使得多模态大型语言模型能够对癌症病理图像进行分类

    本研究评估了具有上下文学习能力的模型 Generative Pretrained Transformer 4 with Vision (GPT-4V) 在癌症图像处理中的应用，结果显示在组织亚型分类、结肠息肉亚型分类和淋巴结切片中的乳腺肿瘤检测等三项癌症组织病理学任务中，使用上下文学习可以达到或超过针对特定任务训练的神经网络的性能，且只需使用较少的样本。总结起来，本研究表明，在病理学中，基于非领域特定数据训练的大型视觉语言模型可以直接应用于解决医学图像处理任务，这使得非技术背景的医学专家在样本稀缺的领域中能够使用通用的人工智能模型。

    Mar, 2024

  • 基于概念的皮肤病诊断视觉语言模型的诠释性研究

    基于视觉语言模型的嵌入学习策略可以在皮肤病诊断中减少对大量概念标注样本的依赖，提高准确性，并且比自动生成概念的特定方法所需的概念标注样本数量更少。

    Nov, 2023

  • 卷积神经网络用于皮肤病变诊断

    通过人工智能和图像分类技术，将肿瘤性皮肤病变进行分类识别为恶性或良性，以实现早期有效诊断。

    May, 2023

  • 使用深度神经网络集成的自动皮肤病变分类：基于 ISIC 2018 数据集的皮肤病变分析，旨在参加黑色素瘤检测挑战

    本研究运用深度学习模型通过计算机视觉系统对皮肤镜图像进行分析和诊断，以检测黑色素瘤和恶性皮肤癌，其中测试结果表明 PNASNet-5-Large 模型具有最佳的验证得分 0.76。

    Jan, 2019

  • WonDerM：基于 Fine-tuned 神经网络的皮肤病变分类

    该研究旨在通过深度学习和神经网络应用于皮肤科图像分析挑战解决皮肤病的预测和分类问题，并在验证数据集和测试数据集中分别实现了 0.899 和 0.785 的准确率。

    Aug, 2018

  • 基于概念激活向量的深度学习皮肤病变分类器可解释性研究

    该研究使用了一个经过训练的神经网络，通过激活向量概念来介绍了深度学习的医学图像分类器，以验证模型学习和利用类似于皮肤科医师所描述和使用的疾病相关概念，并且进一步开发 CAV 的神经网络。

    May, 2020

  • 利用原型和非专业监督进行皮肤癌检测的可解释人工智能（XAI）

    通过可解释的原型 - 部分模型以及自动分割网络和用户优化的原型引入的非专家反馈指导，我们提出了一种新的黑素瘤诊断方法，实验证明即使没有专家监督，我们的方法在性能和泛化程度上均优于不可解释的模型。

    Feb, 2024

  • 应用图形表示法对黑色素瘤 MELC 样本进行细胞级表征

    该研究使用多表位配体地图（Multi-Epitope-Ligand Cartography，MELC）对疑似黑色素瘤样本进行细胞水平的组织表征并构建了表示该表征的图表，进而采用图神经网络进行训练。该技术与方法组合的皮肤疾病图像分类准确率高达 87％，比现有方法提高 10％。

    Nov, 2022

  • 利用皮肤科医生的知识将卷积神经网络应用于皮肤病诊断

    本文介绍了我们参加 ISIC 2017 挑战赛中皮肤病变分析与黑色素瘤检测的提交成果，我们的方法为卷积神经网络框架下结合多种分区和分类方法进行自动诊断，使得临床医师的专业知识得以应用。

    Mar, 2017