PulseAugur
实时 08:24:29
English(EN) Data Alchemy: Mitigating Cross-Site Model Variability Through Test Time Data Calibration

数据炼金术方法解决了成像中的跨站点模型变异性问题

研究人员开发了“数据炼金术”(Data Alchemy),一种解决不同临床站点深度学习成像工具变异性的新方法。该方法结合了可解释的染色标准化和测试时数据校准,旨在减少差异而不改变现有的网络权重。在组织病理学图像肿瘤分类实验中,仅使用标准化就将精确率-召回率曲线下面积(AUPR)从0.165提高到0.710,通过完整的数据炼金术框架进一步将性能提升至0.852。 AI

影响 该方法可以实现预训练AI工具在不同临床环境中的无缝集成,从而加速精准医疗的发展。

排序理由 该集群包含一篇详细介绍新方法的学术论文。[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 →

数据炼金术方法解决了成像中的跨站点模型变异性问题

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Abhijeet Parida, Antonia Alomar, Zhifan Jiang, Pooneh Roshanitabrizi, Austin Tapp, Maria Ledesma-Carbayo, Ziyue Xu, Syed Muhammed Anwar, Marius George Linguraru, Holger R. Roth ·

    Data Alchemy: Mitigating Cross-Site Model Variability Through Test Time Data Calibration

    arXiv:2407.13632v2 Announce Type: replace-cross Abstract: Deploying deep learning-based imaging tools across various clinical sites poses significant challenges due to inherent domain shifts and regulatory hurdles associated with site-specific fine-tuning. For histopathology, sta…