dermatology
PulseAugur coverage of dermatology — every cluster mentioning dermatology across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
AI框架增强了对罕见皮肤淋巴瘤的检测
研究人员开发了一种双尺度机器学习框架，以改进蕈样肉芽肿（MF）的检测，这是一种罕见的皮肤T细胞淋巴瘤。该系统结合了对两种放大倍率（10倍和20倍）下的组织病理学图像的深度学习分析，以及使用临床特征的随机森林分类器。这种多模态方法旨在帮助皮肤科医生区分MF与其他皮肤病，并在确诊病例的分期中提供帮助，在实验试验中显示出显著的准确性。
-
新的基准CRS-Bench评估医学图像编码器的可靠性
研究人员开发了CRS-Bench，一个旨在评估医学图像编码器可靠性的新基准。与之前仅关注判别能力的旧方法不同，CRS-Bench从判别能力、校准能力、标签效率和鲁棒性四个维度评估编码器。该基准使用了来自皮肤病学、眼科学和放射学的数据集，包括一个CheXpert-to-MIMIC-CXR的迁移，以模拟机构变化。引入了临床可靠性得分（CRS）作为结合这些维度的复合指标，比传统的AUROC分数提供了更全面的医学图像编码器选择方法。
-
新方法解决了皮肤病学AI的图像选择问题
研究人员引入了一项名为可靠输入选择的新任务，以提高远程皮肤病学中皮肤病学模型的准确性。这些模型经常在分布变化方面遇到困难，即患者提交的图像在光照、角度和焦点方面与训练数据不同。所提出的方法旨在从给定病例的多个提交图像中选择最有可能被正确分类的图像。虽然理想的预言机可以将加权F1分数提高约20个百分点，但实际的无训练数据选择器，如嵌入范数或模型置信度，只能恢复一小部分增益。
-
Google AI研究表明AI工具可改善对皮肤病症的理解
Google Research 公布了关于AI工具如何帮助普通用户理解皮肤病症的研究结果。一项在JAMA Dermatology上发表、涉及2,345名参与者的研究表明，AI工具显著提高了用户命名皮肤病症和确定适当后续步骤的能力。与使用标准网络搜索的用户相比，使用AI的用户更有可能尝试命名一种病症，并且在识别病症方面的准确性几乎提高了两倍。
-
混合深度学习和超表面提高了皮肤癌检测的准确性
研究人员开发了一种结合多光谱超表面和混合深度学习模型的新型皮肤癌检测系统。该方法捕获可见光谱以外的详细光谱信息，这对于识别早期恶性肿瘤至关重要。混合卷积神经网络和视觉Transformer模型同时分析局部和全局特征，在模拟中实现了高准确率、灵敏度和特异性。该集成系统有望推动皮肤病学诊断，并可能带来更便携、更准确的临床工具。