新方法为稀疏医疗数据集生成合成患者数据

作者 PulseAugur 编辑部 · [2 个来源] · 2026-06-24 12:45

研究人员开发了一种新颖的患者增强技术，用于数据稀缺的医学应用中的多示例学习（MIL）。该方法使用高斯混合模型在嵌入空间中生成逼真的患者数据，以学习特定疾病的实例分布。该方法可以通过混合池化嵌入来创建新患者，即使没有所有类别的示例，并通过不确定性量化选择生成的患者来增强MIL性能。在各种稀缺场景下的实验，包括单细胞RNA测序和流式细胞术的跨数据集迁移和低数据模式，均显示出优于现有方法的性能，其中一种场景的性能与全数据集训练相当。 AI

影响该方法通过在数据有限的情况下实现有效的模型训练，有望显著提高罕见病的诊断能力。

排序理由一篇在arXiv上发表的研究论文，详细介绍了一种用于医学机器学习中数据增强的新方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 2 个来源。我们如何撰写摘要 →

报道来源 [2]

arXiv cs.LG TIER_1 English(EN) · Muhammed Furkan Dasdelen, Fatih Ozlugedik, Anastasia Litinetskaya, Nassir Navab, Carsten Marr, Ario Sadafi · 2026-06-25 04:00

Re-mixing Embeddings for Patient Augmentation in Data Scarce Multiple Instance Learning

arXiv:2606.25770v1 Announce Type: new Abstract: Data scarcity is a major bottleneck in medical Multiple Instance Learning (MIL), especially for rare diseases or expensive modalities. We introduce a statistically grounded patient augmentation approach that generates realistic pati…
arXiv cs.LG TIER_1 English(EN) · Ario Sadafi · 2026-06-24 12:45

Re-mixing Embeddings for Patient Augmentation in Data Scarce Multiple Instance Learning

Data scarcity is a major bottleneck in medical Multiple Instance Learning (MIL), especially for rare diseases or expensive modalities. We introduce a statistically grounded patient augmentation approach that generates realistic patients directly in embedding space. Using Gaussian…

报道来源 [2]

Re-mixing Embeddings for Patient Augmentation in Data Scarce Multiple Instance Learning

Re-mixing Embeddings for Patient Augmentation in Data Scarce Multiple Instance Learning

相关实体

相关话题