研究人员开发了一种新的多尺度证据框架,用于分析宫颈细胞学,旨在提高诊断准确性和临床决策支持。该框架利用共享的 DINOv2 主干,独立编码核形态、细胞质特征和邻近细胞结构。通过在序数疾病连续体上对数据进行建模,并采用具有可靠性折扣的 Dempster-Shafer 信念质量,该系统可以明确表示不确定性,并区分确信分类的病例和需要进一步调查的病例。该框架在 RIVA 和 CRIC Cervix 数据集上进行了测试,结果表明错误预测的不确定性明显高于正确预测。 AI
影响 这项研究可能带来更准确、更具可解释性的医疗诊断人工智能工具,从而改善患者分诊和护理。
排序理由 该集群包含一篇详细介绍新研究方法和框架的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →