PulseAugur
中
实时 05:56:11
English(EN) Tumor-anchored deep feature random forests for out-of-distribution detection in lung cancer segmentation

新的RF-Deep框架提升AI肺癌分割安全性

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了RF-Deep，一个新颖的事后框架，旨在利用深度特征改进肺癌分割中分布外（OOD）输入的检测。该方法利用预训练分割骨干网络的层级特征，并锚定到预测的肿瘤区域，以最少的标记数据识别OOD的可能性。在超过2000例CT扫描上进行评估，RF-Deep在检测近OOD和远OOD病例方面表现出高精度，优于现有方法，并显示出作为临床AI部署安全过滤器的潜力。 AI

影响 增强了临床环境中AI模型的安全性和可靠性，可能加速AI在医学影像分析中的应用。

排序理由 该集群包含一篇详细介绍新AI模型安全方法的论文。[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 →

新的RF-Deep框架提升AI肺癌分割安全性

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Aneesh Rangnekar, Harini Veeraraghavan ·

    用于肺癌分割中非分布外检测的肿瘤锚定深度特征随机森林

    arXiv:2512.08216v4 Announce Type: replace-cross Abstract: Accurate segmentation of lung tumors from 3D computed tomography (CT) scans is essential for automated treatment planning and response assessment. Despite self-supervised pretraining on numerous datasets, state-of-the-art …

相关实体

相关话题