两篇研究论文探讨了医学图像分类中长尾分布的挑战，即罕见病的样本数据非常少。第一篇论文探索了使用数据增强技术的标准深度学习模型，以提高罕见病的分类准确性，并使用F1分数和AUROC等指标评估性能。第二篇论文介绍了GazeLT，一种新颖的方法，将人类视觉注意力模式整合到深度学习模型中，以更好地捕捉胸部X光片中常见和罕见疾病的指标，并在大型数据集上展示了比现有方法显著的改进。 AI
影响 这些研究工作旨在提高罕见病的诊断准确性，可能在医疗保健领域带来更早的发现和更好的患者预后。
排序理由 两篇在arXiv上发表的学术论文，讨论了长尾医学图像分类的方法。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2607.23883v1 Announce Type: cross Abstract: In this paper, we examine the difficulties of using standard techniques for medical image classification due to long-tailed distributions (wherein rarer conditions have very few samples) resulting in bias towards diagnosing common…
arXiv:2508.09478v2 Announce Type: replace Abstract: In this work, we present GazeLT, a human visual attention integration-disintegration approach for long-tailed disease classification. A radiologist's eye gaze has distinct patterns that capture both fine-grained and coarser leve…