研究人员开发了一种新颖的临床词典影像组学瓶颈模型,用于使用超声图像对甲状腺结节进行分类。该模型结合了家庭感知影像组学学习(FARL)和保真度引导瓶颈建模(FGBM),旨在提供基于与熟悉临床描述相关联的证据的分类预测。在ThyroidXL和TN3K数据集上的实验证明了其具有竞争力的分类性能,案例研究显示了特征贡献如何根据临床词典类别进行追溯和组织,从而提供具有可检查定量证据的可解释分类。 AI
影响 该模型通过将AI预测与可理解的临床证据联系起来,有望提高医学影像的诊断准确性和透明度。
排序理由 详细介绍一种用于医学图像分类的新AI模型的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
- alphaXiv
- arXiv
- CatalyzeX
- CORE Recommender
- DagsHub
- Family-Aware Radiomic Learning
- Fidelity-Guided Bottleneck Modeling
- Gotit.pub
- Hugging Face
- Influence Flower
- ScienceCast
- ThyroidXL
- TN3K
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →