一篇新的研究论文探讨了组织病理学伪影检测流程中的初始组织检测步骤如何显著影响基于扩散的模型(diffusion-based models)的准确性。通过在The Cancer Genome Atlas (TCGA) 载玻片上测试不同的组织检测方法,研究人员发现,用一种基于熵(entropy-based)的方法替换标准的Otsu检测方法,可以将假阳性从0.102大幅降低到0.016,而不会影响敏感性。这种改进归因于训练池的构成,特别是排除了具有大片空白区域的正常组织,而不是训练池的大小。研究结果表明,在单类伪影检测模型(one-class artifact detection models)的质量控制中,组织检测方法的选择至关重要。 AI
影响 改进的组织检测方法可以显著减少AI驱动的组织病理学分析中的假阳性,从而带来更可靠的诊断工具。
排序理由 研究论文详细介绍了AI模型在组织病理学领域性能方面的一项新发现。
在 Hugging Face Daily Papers 阅读 →
- arXiv
- Hugging Face
- Konstantinos Moutselos
- Otsu
- The Cancer Genome Atlas
- adipose tissue
- alveolar parenchyma
- diffusion-based detector
- foundation-model features
- nearest-neighbour detector
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →