PulseAugur
中
实时 09:29:03
English(EN) Investigating ECG Diagnosis with Ambiguous Labels using Partial Label Learning

部分标签学习改进了带有模糊标签的心电图诊断

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员对将部分标签学习（PLL）方法应用于心电图（ECG）诊断进行了系统性研究，解决了现实临床环境中标签模糊的挑战。该研究为多标签心电图诊断改编了九种PLL算法，并在具有诊断分歧的真实临床数据和合成生成的标签模糊数据上评估了它们的性能。研究结果表明，PLL方法对不同类型和程度的模糊性表现出不同的鲁棒性，但总体上优于标准的监督学习训练，表明它们在改进心电图诊断模型方面具有价值。 AI

影响 这项研究通过解决现实世界数据的不完美性，可能带来更强大的医学诊断人工智能模型。

排序理由 学术论文，详细介绍了机器学习技术在特定领域的创新应用。[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 1 个来源。 我们如何撰写摘要 →

部分标签学习改进了带有模糊标签的心电图诊断

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Sana Rahmani, Javad Hashemi, Ali Etemad ·

    Investigating ECG Diagnosis with Ambiguous Labels using Partial Label Learning

    arXiv:2512.11095v2 Announce Type: replace Abstract: Label ambiguity is an inherent and largely unaddressed challenge in real-world electrocardiogram (ECG) diagnosis, arising from overlapping conditions and diagnostic disagreements. However, current ECG models are trained assuming…

相关话题