研究人员开发了一个名为DICE的新框架，以提高全切片图像分析的病理基础模型（PFMs）的可靠性。该框架集成了多个固定的PFMs，并利用它们的差异来估计预测的不确定性。通过深度互学习对这些集成成员进行对齐，DICE提供了更有意义的置信度估计，甚至可以在没有明确监督的情况下定位异常。在三个基准上的评估表明，DICE在各种设置下都能准确标记不可靠的预测，并在分类、校准和定位方面达到或超过最先进的方法，使PFMs更接近临床决策支持。 AI
影响 通过为模型预测提供可靠的[uncertainty estimation]，增强了AI在病理学中的信任度和临床适用性。
排序理由 该集群包含一篇详细介绍AI模型[uncertainty estimation]新框架的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
![新框架DICE通过[uncertainty estimation]增强AI病理模型可靠性](https://pulseaugur.com/og/cluster/118098.png?v=0745b9413a)