我们提出了一种新颖的方法，利用深度神经网络在低剂量放射影像中进行可解释的椎体骨折评估（XVFA），结合了椎体检测和不确定性定位关键点。我们将 Genant 的半定量标准作为可区分的基于规则的方式来分类椎体骨折等级和形态。与以往的工作不同，XVFA 提供了与当前临床方法相关的可解释的分类，以及不确定性估计，同时在具有挑战性的环境中，在椎体级别的敏感度达到 93％，AUC 完整性达到 97％，超过了最先进的方法。此外，我们将模型的不确定性估计与读者间的一致性进行比较，模型的可靠性与人工注释者相当。

Jul, 2024

该论文介绍了解决生物医学应用中的分类问题的通用策略，并用 300,000 个注释构建了脊柱骨折数据集。

Jun, 2023

探索了一种名为 Proto-Caps 的创新解决方案，它能够利用额外的训练过程中可用的信息来创建一个易理解且功能强大的模型，通过在 LIDC-IDRI 数据集上的评估，该方法结合了更强的可解释性和先进的预测性能，相较于可解释的基线模型，在预测恶性程度（93.0%）和肺结节的平均特征方面，我们的方法提高了超过 6% 的准确率，并同时提供了基于案例的推理和可视化验证放射学定义的特征。

Oct, 2023

使用形状自编码器和自动化的多标签分割方法，本研究探讨了骨质疏松性骨折的及时诊断，以及通过学习形状特征来改善骨骼退行性畸形的可靠性和减少标注的需求。

Dec, 2023

本研究提出了基于课程学习的的策略来支持从 X 射线图像中分类识别近端股骨骨折，并将基于医学决策树和多个专家的注释不一致性等医学知识作为依据，使我们能够为每个训练样本分配一个难度等级。通过启动学习 “简单” 示例并向 “困难” 的示例移动，我们证明了该模型可以在更少的数据情况下达到更好的性能，与类均匀和随机策略相比，提出的基于医学知识的课程表现在准确性方面达到了高达 15％的优势，并实现了有经验的创伤外科医生的表现水平。

Apr, 2020

本研究介绍了一种用于骨折分类的简单而健壮的训练方法，相较于现有方法取得了明显的优势性能，仅需少于十个 epochs，利用最新的数据集建立了最佳模型。我们强调了负责任和高效地训练深度学习模型以及选择高质量数据集的重要性。

Jun, 2024

通过原型评估框架 (PeF-C) 定量评估领域知识基础上的原型质量，我们首次系统评估使用我们的 PEF-C 定制的乳腺癌医学图像原型，发现原型质量有待改善以提高相关性、纯度和学习多样性。

Mar, 2024

基于 Proto-Caps 模型的 AI 方法和 xAI 解决方案提供了可理解的多模态解释，对放射科医师的决策过程有帮助，但需要进一步开发和重复用户研究以适应相应的用例。

Apr, 2024

冷冻预训练的 ViT 后骨干能有效地转化为示范性模型，提高模型的准确性、简洁性和可解释性，通过一系列定量和定性指标评估模型可解释性。

Jun, 2024

提出了一种三阶段的方法来解决椎骨水平的 3D CT 椎骨识别中的挑战，通过顺序执行椎骨定位、分割和识别的任务，有效利用椎骨的解剖先验信息，并采用监督对比学习方法进行预训练来解决类间相似性和类内变异性问题，并进一步优化识别结果。

Jan, 2024