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多示例学习（MIL）。该方法通过使用高斯混合模型从池化的实例嵌入中学习疾病特定的“配方”，在嵌入空间中生成逼真的患者数据。然后，根据不确定性量化选择生成的患者，以提高MIL性能，特别是在罕见病或数据有限的情况下。该方法已证明比现有方法具有更高的性能，甚至在缺失类别的情况下也能取得与完整数据集训练相媲美的结果。 AI
影响 这项技术可以显著提高在数据稀缺的医疗应用中AI模型的性能，尤其是在罕见病方面。
排序理由 该集群包含一篇学术论文，详细介绍了机器学习中数据增强的新方法。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
完整方法见我们的编辑标准。
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…
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…