PulseAugur
中
实时 09:19:05
English(EN) Foundation Model-Enabled Efficient Data Sampling (FEEDS): A label-efficient training strategy for pan-cancer, multi-tracer PET/CT datasets

新的 FEEDS 策略通过减少标注来提高 AI 癌症检测效率

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一种名为 FEEDS（Foundation model-Enabled Efficient Data Sampling）的新策略，以提高用于 PET/CT 成像中癌症检测的 AI 模型训练效率。该方法利用视觉基础模型嵌入来智能选择最具信息量的未标注病例供专家标注，从而减少了通常所需的大量时间和专业知识。FEEDS 在各种数据集和示踪剂上，通过减少 70% 的标注工作量，实现了与完全标注相媲美的性能，并且优于随机抽样和传统的半监督学习。 AI

影响 这种方法可以显著降低开发准确的医学影像 AI 诊断工具的成本和时间，从而加速临床应用。

排序理由 该集群描述了一种在学术论文中提出的用于提高 AI 模型训练效率的新颖方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.CV 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 FEEDS 策略通过减少标注来提高 AI 癌症检测效率

报道来源 [1]

  1. arXiv cs.CV TIER_1 English(EN) · Biratal Raj Wagle, Bashirul Azam Biswas, Grant Chau, Matthew E. Maeder, Muhammad Azeem Arshad, Michael S. Leapman, James B. Yu, Indrani Bhattacharya ·

    基于基础模型的有效数据采样 (FEEDS)：针对泛癌、多示踪剂 PET/CT 数据集的标签高效训练策略

    arXiv:2608.11076v1 Announce Type: new Abstract: Automated lesion segmentation in whole-body PET/CT imaging can assist clinicians with cancer detection, staging, and treatment planning across radiotracers and cancer types. However, training lesion segmentation models that capture …

相关话题