两篇新的研究论文探讨了提高计算病理学中AI模型可靠性和鲁棒性的方法。第一篇论文《计算病理学中伪影检测的可靠基准测试》提出了一种量化基准测试中变异来源的协议,并指出小队列基准测试支持的结论比通常暗示的要弱。第二篇论文《Destroy Me: 自动生成组织病理学图像的伪影》介绍了一个合成真实伪影以训练AI模型的框架,与在无伪影数据上训练的模型相比,在真实世界数据集上表现得到改善。 AI
影响 这些方法可能带来更可靠的病理学AI诊断,提高AI辅助医学分析的准确性和可信度。
排序理由 两篇发表在arXiv上的学术论文,讨论了改进计算病理学中AI模型的方法。
- adenocarcinoma of the lung
- Cohen's $\kappa$
- Destroy Me
- Kernel Inception Distance
- nnU-Net
- Stable Diffusion
- Wasserstein metric
- arXiv
- Computational Pathology
- Konstantinos Moutselos
AI 生成摘要 · Google Gemini · 来自 3 个来源。 我们如何撰写摘要 →