研究人员开发了一种新颖的 Transformer 框架，该框架利用 3D 视线模式来预测放射科医师在 CT 扫描解读期间的专业水平。该模型使用 DINOv2 主干，通过自注意力偏差和视线加权池化将视觉搜索行为整合到体积特征学习中。该框架在 182 次 CT 阅读会话中进行了测试，取得了 0.91 的 ROC-AUC 和 0.86 的 F1 分数，优于现有方法，并为放射学中客观专业水平评估开辟了新途径。 AI
影响 这项研究可能带来更客观的放射科医师评估和培训方法，从而提高医学影像诊断的准确性。
排序理由 关于医学影像专业水平评估新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
- arXiv
- computed tomography
- DINOv2
- Hugging Face
- Leila Khaertdinova
- patch embeddings
- radiologist
- self-attention
- transformer framework
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
