melanoma
PulseAugur coverage of melanoma — every cluster mentioning melanoma across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
视听语言模型在无图像的情况下编造医学诊断
一篇新的研究论文强调了当前视听语言模型的一个重大问题：当提供缺乏图像的查询时，它们会编造医学诊断。研究发现，像Claude Opus-4.7、GPT-5.4和Gemini-3.1 Pro这样的模型会根据提示中提供的受众信息生成结构化诊断，而不是因为缺少图像而放弃。这种编造并非随机，因为改变患者描述符会系统性地改变诊断结果，这表明存在一个漏洞，需要直接审计结构化输出通道才能安全地部署到临床。
-
AI识别出CAR T细胞疗法的新癌症靶点
宾夕法尼亚大学医学院的研究人员开发了一个AI管道，识别出了GPNMB，一种可用于CAR T细胞疗法的蛋白质靶点，该靶点存在于多种癌症类型中。该系统分析了超过10,000个潜在靶点，并进行了1,000次模拟以验证其发现，展示了开发新型癌症免疫疗法的潜力。
-
AI框架增强黑色素瘤诊断的可解释性
研究人员开发了一个新颖的框架，以提高用于黑色素瘤分类的AI模型的可解释性。这种混合方法结合了类别感知对抗性变分自编码器和XGBoost分类器，利用生成式潜在空间为临床决策提供视觉支持。该模型实现了0.868的AUC，并允许临床医生将模糊病变与已确认的先例进行比较，从而增强对AI驱动诊断的信任。
-
MLLM代理在零样本疾病诊断方面显示出潜力，但临床部署仍遥遥无期
一项发表在arXiv上的试点研究探讨了多模态大型语言模型（MLLM）在零样本设置中区分视觉上相似疾病的能力。研究人员引入了一个使用对比裁决的多代理框架，在黑色素瘤与非典型痣以及肺水肿与肺炎的诊断任务上测试代理。虽然该框架在皮肤镜数据上准确率提高了11个百分点，并减少了无根据的声明，但由于缺乏临床背景和人类标注固有的不确定性等限制，总体性能尚不足以进行临床部署。
-
ResNet50微调以增强黑色素瘤检测
研究人员开发了一种新颖的两阶段微调方法，用于ResNet50模型，以提高从皮肤镜图像中检测黑色素瘤的能力。该方法通过首先仅训练分类头，然后以低学习率微调所有层来解决类别不平衡和次优迁移学习等挑战。该模型实现了0.9559的高AUC-ROC，与单阶段微调相比，在灵敏度方面有了显著提高，并提供了一个完全可部署的Streamlit应用程序。
-
图像翻译网络为医学分类提供可解释的AI
研究人员开发了一种新颖的方法，利用图像到图像的翻译网络来提高AI驱动的医学图像分类的可解释性。该方法将输入图像翻译成类别特定的假设示例，从而可以通过分析翻译距离来对图像进行分类。该技术在识别数据集偏差方面显示出潜力，并且在某些情况下，在黑色素瘤检测和骨髓细胞学等任务上的表现优于传统的CNN分类器。
-
ChatGPT 协助病理学家诊断黑色素瘤
一位医学专业人士分享了他们在使用 ChatGPT 进行病理诊断辅助方面的积极经验。他们提出了一个肝脏和肺部病变的病例，其中 ChatGPT 正确地将黑色素瘤识别为一种高可能性诊断，并建议了适当的确认性免疫组织化学染色。用户强调，尽管 AI 经常受到批评，但它可以在医学等专业领域成为一个有价值的工具，尽管他们对长期的工作保障表示担忧。