mAP@75

动态决策学习框架改进了 LVLM 在罕见病诊断中的表现

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。