Medical Image Classification
PulseAugur coverage of Medical Image Classification — every cluster mentioning Medical Image Classification across labs, papers, and developer communities, ranked by signal.
-
新框架优化医学图像分类的主动学习
研究人员开发了ALDA（主动学习部署顾问），以优化医学图像分类的主动学习策略选择。ALDA使用试点标注阶段来模拟不同策略的学习曲线，并预测它们达到临床性能目标的能力。该框架还量化了标注成本估算对不确定性的敏感性，推荐能够应对阈值修订并最大限度地降低标注成本的策略，潜在成本可降低高达82%。
-
MoPET方法使用混合专家模型进行医学图像分类
研究人员开发了MoPET，一种利用混合专家（MoE）方法进行医学图像分类的新型参数高效微调（PEFT）方法。MoPET通过采用学习到的稀疏路由器，将输入导向冻结基础模型中的低秩专家子集，从而解决了PEFT中的负迁移问题。这使得跨数据集的容量共享，同时减轻了梯度冲突。在MedMNIST基准上的评估证明了MoPET的有效性，显示出比独立的PEFT适配器更高的准确率，并在与辅助数据集联合训练时，在数据受限的临床目标上表现出增强的性能。
-
受量子启发的卷积神经网络在医学影像方面与经典卷积神经网络相比表现不一
研究人员比较了混合受量子启发的卷积神经网络 (HQiCNN) 与标准卷积神经网络 (CNN) 在医学图像分类方面的性能和可解释性。研究发现，在所有条件下，两种架构均未持续优于另一种；HQiCNN 在中等数据量下表现出优势，而 CNN 在大型数据集上表现更佳。移除量子电路中的纠缠在不牺牲性能的情况下提高了可扩展性，并且更丰富的可观测集仅在有足够训练数据的情况下才显示出优势。开发了新的基于 SHAP 的工具来确认两种模型都关注解剖学上相关的区域。
-
新框架增强了用于嘈杂医学图像分类的量子神经网络
研究人员开发了一个名为基于超鞅的标签转换（SLT）的新框架，以提高量子神经网络（QNN）在标签嘈杂的医学图像分类任务中的鲁棒性。该框架将熵减少建模为超鞅，以动态地精炼标签转换矩阵，有助于稳定QNN训练。在各种医学图像数据集上的实验表明，SLT提高了QNN的性能，并且优于现有的嘈杂标签学习方法。
-
New Locus framework uses AI to guide medical image classification attention
研究人员开发了一个名为 Locus 的新框架，该框架利用来自预训练分割基础模型的解剖形状信息来指导医学图像分类。这种方法旨在将分类器的注意力引导到诊断相关的解剖结构上，而无需手动分割掩码。Locus 引入了一个正则化项，在解剖区域和背景区域之间平衡注意力，当背景注意力占主导地位时会惩罚分类器。该框架已在八个不同的医学影像数据集上得到验证，在分类性能和更符合解剖学的注意力图方面均有所改进。
-
新的正则化方法提高了医疗AI图像分类的公平性
研究人员开发了一种新的正则化方法，以提高医疗图像分类模型的公平性。该技术专门解决了不同人口统计群体（如年龄、性别和种族）之间诊断性能的差异。通过针对表现最差的子群体，该方法旨在减少真阳性和假阳性率的不平等，同时不显著影响整体诊断准确性。