- ViTALS: 外科肾切除术中行动定位的视觉变换器
通过引入名为 ViTALS 的新模型,结合层次式扩张时间卷积层和层间残差连接,来定位手术肾切除视频中的行动位置,实现了 89.8% 和 66.1% 的准确率,验证了其有效性。
- 重新思考模型原型设计:通过 MedMNIST + 数据集集合
该研究提供了一个全面的基准测试,用于多样化评估医学图像分类的常见卷积神经网络和 Transformer-based 模型,并发现计算效率高的训练方案和现代基础模型在减少昂贵的端到端训练和资源精细的方法之间具有潜力。此外,研究结果表明,较高分 - MedIAnomaly:医学图像异常检测的比较研究
该研究论文旨在建立一个统一实施和比较的基准,对医学领域的七个包括胸部 X 射线、脑部磁共振、视网膜底像、皮肤镜像和组织病理全切片图像在内的医学数据集进行广泛评估,并比较了二十七种典型的异常检测方法,首次对现有方法中的关键组件进行了正式探索, - 裂变融合:快速生成几何体和分层识别用于医学图像分析
通过采用层次化合并方法和周期性学习率调度器,本研究在医学图像领域得到显著的性能提升,比模型组合方法在多个数据集上(如 HAM10000 和 CheXpert 数据集)提高了 6%,同时保持了低的计算成本。
- 通过扩散模型进行迭代式在线图像合成以解决不平衡分类
医学图像分类中存在类别不平衡问题,我们引入了一种迭代在线图像合成(IOIS)框架以解决该问题,该框架包含在线图像合成(OIS)和准确适应采样(AAS)两个关键模块,通过在实例级别和类别级别上目标的不平衡分类问题。实验证明了我们的方法在解决类 - 健康应用中的相关特征与向量机
该研究介绍了一种新颖的模型 RFVM(相关特征向量机),用于解决在处理临床前瞻性研究时的大数据问题。实验证明,RFVM 能够在准确分类的同时提供最紧凑的数据子集。
- 两次拍摄足够吗?一种用于乳腺超声视频分割的标签高效方法
该研究提出了一种新颖的两阶段训练范式,用于乳腺超声视频的分割,通过多样化的数据增强策略实现了自由空时一致性的捕捉,并在医学数据集上进行了验证,结果表明该方法在仅使用 1.9%的训练标签时能够获得与完全注释数据相当的性能。
- MLIP:医学语言 - 图像预训练与遮蔽局部表示学习
本文旨在通过引入多对多局部关系建模来增强数据效率,从而更有效地利用有限的医学图像文本数据。我们提出了医学语言 - 图像预训练(MLIP)框架,通过补丁 - 句子匹配的方式更有效地利用图像 - 文本医学数据,同时引入遮蔽对比学习策略和语义完整 - 使用循环投影的参数化生成对抗网络用于可解释的医学图像分类
本研究提出了一种名为 ParaGAN 的参数化生成对抗网络,用于控制不同领域合成样本的变化,并强调下游分类任务中的关注区域。实验证明,ParaGAN 能在两个小规模医学数据集上以可解释的分类结果持续优于现有的数据增强方法。
- 眼睛公平性:用于公平眼疾筛查和公平身份缩放的大规模三维成像数据集
医学领域中公平性在机器学习中的应用,当前存在公共数据集有限、缺乏大规模 3D 成像数据以及有限身份属性的问题,为解决这些问题,我们引入了 Harvard-EF 数据集,包含 3 万个病例以及包括性别、种族、年龄等六个身份属性的 2D 和 3 - 迁移性指标的表现在医学任务中不可靠
通过对三个医学应用进行深入评估,我们的研究表明没有任何可靠和一致的迁移性评分能够准确估计医学环境下的目标性能,这为进一步研究指明了方向。
- 具有随机池化的可证明多实例深度 AUC 最大化
本研究基于深度 AUC 最大化技术开发了一种新型的多实例学习算法,通过采用方差缩小的随机池化方法以及非凸极值优化技术,该算法仅采样每个处理对象的一部分进行参数优化,有效解决了计算复杂度高及 GPU 显存不足等问题,实现了对医疗数据集处理的高 - MedGPTEval: 一份用于评估大型医学语言模型响应的数据集和基准测试
通过对 LLMs 进行基于交互式医疗对话的实验评估,设计了一套涵盖医疗专业能力、社会综合能力、语境能力和计算机稳健性等方面的 16 个指标的评价标准,并针对这些标准选取了 ChatGPT, ERNIE Bot 和 Doctor PuJian - ICML基于数据驱动的线性回归子群识别
本文提出 DDGroup 方法,一种基于数据的方法,能够有效识别在特征和标签之间具有统一线性关系的数据子群组。DDGroup 可以发现参数法无法发现的具有 qualitatively different relationships 的数据子 - 医疗数据中的缺失值和填补:可解释机器学习能提供帮助吗?
本文介绍了一种在解决缺失数据问题时使用可解释机器学习的方法。将高精度的玻璃盒可解释性增强机(EBMs)用于缺失值处理,可帮助用户更好地了解缺失机制并检测可能引入的风险。实验表明了该方法在处理真实医疗数据集时的有效性。
- Beta-Rank: 一种用于不平衡医学图像分析的强大卷积滤波器剪枝方法
这篇论文提出了一种新的滤波器剪枝方法,它能够有效地减少深度神经网络所需要的计算资源,同时通过与其他方法的比较和在医学数据集和智能手机应用程序上尝试验证,表明本文提出的方法表现得更好。
- AAAI联合自监督图像体表示学习:基于内外对比聚类
本文提出了一种用于医学数据的自监督深度学习的框架,该框架可以联合学习 2D 和 3D 数据,通过用变形注意力机制构建整体特征,并利用预训练语言模型进行掩蔽嵌入预测,提高了 2D Deep-ClusterV2 和 SwAV 的效果,并超越了各 - 敌对掩蔽预训练心电图数据提高模型泛化能力用于数据稀缺任务
本研究提出了一种采用敌对掩蔽技术增强医学数据集的自监督学习方法,该方法针对 12 导联心电图数据生成掩蔽增强,相比于传统增强方法在少样本数据集上表现更优,证明了该方法的泛化性。
- 数据智能:表格数据中异质结果的群体特征刻画
该研究提出了一种名为 Data-IQ 的框架来对医疗数据集中的具有相似特征但不同结果的患者进行数据分层,并将其分为易于预测、模糊和难以预测三个互斥组群,实验结果表明该方法能够有效地提高模型的性能和可靠性,并有助于相关领域的特征提取和数据集筛 - ICML使用自组织映射进行离群值检测的自动化血细胞分析
本文针对医学数据集中的异常检测问题,采用自组织映射法 (Self-Organizing Maps) 基于量化误差和距离地图进行无监督学习。结果表明,相对于手动指定的过滤器,自组织映射法在该数据集上的无监督异常检测的效果相当。此外,该方法在医