PulseAugur
中
实时 14:56:14
English(EN) Dynamic Decision Learning: Test-Time Evolution for Abnormality Grounding in Rare Diseases

动态决策学习框架改进了 LVLM 在罕见病诊断中的表现

作者 PulseAugur 编辑部 · [2 个来源] ·

研究人员开发了动态决策学习（DDL），一个新颖的框架，旨在提高大型视觉语言模型（LVLM）在诊断罕见病时的准确性和可靠性。DDL 允许固定的 LVLM 通过优化指令和在视觉扰动下整合输出来精炼其预测，从而有效地增强异常定位。该方法产生一个基于共识的可靠性分数，并已显示出显著的改进，包括在罕见病病例上的 mAP@75 提高了高达 105%，优于现有的适应技术。 AI

影响 提高了视觉语言模型在罕见病诊断方面的准确性和可靠性，为医学人工智能应用提供了一种新方法。

排序理由 这是一篇研究论文，详细介绍了一种用于提高人工智能模型在特定任务上性能的新框架。

在 arXiv cs.CL 阅读 →

AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →

动态决策学习框架改进了 LVLM 在罕见病诊断中的表现

报道来源 [2]

  1. arXiv cs.CL TIER_1 English(EN) · Jun Li, Mingxuan Liu, Jiazhen Pan, Che Liu, Wenjia Bai, Cosmin I. Bercea, Julia A. Schnabel ·

    Dynamic Decision Learning: Test-Time Evolution for Abnormality Grounding in Rare Diseases

    arXiv:2604.24972v1 Announce Type: new Abstract: Clinical abnormality grounding for rare diseases is often hindered by data scarcity, making supervised fine-tuning impractical and single-pass inference highly unstable. We propose Dynamic Decision Learning (DDL), a framework that e…

  2. arXiv cs.CL TIER_1 English(EN) · Julia A. Schnabel ·

    Dynamic Decision Learning: Test-Time Evolution for Abnormality Grounding in Rare Diseases

    Clinical abnormality grounding for rare diseases is often hindered by data scarcity, making supervised fine-tuning impractical and single-pass inference highly unstable. We propose Dynamic Decision Learning (DDL), a framework that enables frozen large vision-language models (LVLM…

相关实体

相关话题