Multi-instance learning based artificial intelligence model to assist vocal fold leukoplakia diagnosis: A multicentre diagnostic study
PulseAugur coverage of Multi-instance learning based artificial intelligence model to assist vocal fold leukoplakia diagnosis: A multicentre diagnostic study — every cluster mentioning Multi-instance learning based artificial intelligence model to assist vocal fold leukoplakia diagnosis: A multicentre diagnostic study across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新框架利用多示例学习改进脑电图伪影去除
研究人员开发了一个新颖的框架，以提高脑电图（EEG）伪影去除的准确性，特别是针对肌电图（EMG）污染。该方法结合了频率感知的高维表示和多示例学习。该系统从时段级标签中学习伪影可能性得分，从而能够对肌电图伪影进行细粒度检测和衰减，并已证明其有效性，尤其适用于与下颌张力相关的伪影。
-
AI模型从流式细胞术数据预测AML突变
研究人员开发了一种可解释的多实例学习模型，可以从急性髓系白血病（AML）的常规流式细胞术数据中预测关键的分子改变。这种方法将患者样本建模为单个细胞的集合，在预测NPM1和FLT3-ITD突变方面取得了高精度。该模型的预测在一个独立的队列中得到了验证，并证明了其识别既定免疫表型特征的能力，为传统的分子检测提供了一种更快、更具成本效益的替代方案。
-
AI模型在乳腺摄影分析中丢失关键癌症线索 · 2篇论文
两篇新研究论文探讨了用于乳腺摄影的弱监督AI模型中关键诊断信息的退化。第一篇论文介绍了一种基于梯度的潜在分解方法，解释了为何粗糙的病灶特征得以保留，而细粒度的恶性肿瘤线索却丢失了。第二篇论文提出了一个诊断差距框架，用于评估重建保真度如何影响这些模型中的决策和解释保留。两项研究都强调，随着重建质量的下降，这些AI系统准确诊断乳腺癌的能力会显著减弱。
-
新的可校准消歧损失提高了 AI 分类器的可靠性
研究人员引入了一种名为可校准消歧损失（CDL）的新方法，以提高多实例部分标签学习（MIPL）任务中分类器的可靠性。这种即插即用的损失函数通过调整具有候选者与竞争者预测裕量的消歧目标来提高分类准确性和校准。该方法在理论上进行了分析，并通过在基准数据集和真实世界数据集上的实验进行了验证，提供了两种专注于候选者级别分离或候选者与非候选者抑制的变体，在预期校准误差方面显示出显著的改进。
-
新论文将图像分类器重新解读为多实例学习器
一篇新论文提出对图像分类器中的全局平均池化（GAP）进行重新评估，认为这些模型可以被解读为多实例学习器。研究表明，即使图像级别的预测不正确，潜在的空间类别证据也常常被保留和可恢复。这种视角允许将图像级别的 logits 分解为预测网格，提供了一种诊断工具，以揭示之前被 GAP 隐藏的空间类别信息。