ROC-AUC
PulseAugur coverage of ROC-AUC — every cluster mentioning ROC-AUC across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
AI模型通过分割预训练减少了脊柱退变分级的标签需求
研究人员开发了一种使用分割预训练对腰椎退变进行分级的新方法，该方法显著减少了专家标注的放射学分级需求。通过预训练3D ResNet编码器来分割椎骨和椎间盘等解剖结构，该系统仅用20%的手动分级标签即可达到接近全监督的性能。该方法在各种病理学中均表现出改进的性能，特别是对于不常见或空间特异性疾病，使用伪标签达到了0.94的Dice分数。
-
联邦生成模型在电子健康记录方面展现出潜力
研究人员开发了用于分词电子健康记录的联邦生成事件模型（GEMs），解决了不同医疗系统之间的数据孤岛和性能下降问题。在对三个独立医疗系统的评估中，这些联邦GEMs在临床预测任务上表现强劲，接近集中训练的有效性。研究发现，联邦学习在技术上是可行的，并且能保留大部分集中训练的性能，尤其是在本地训练数据有限的情况下，能带来显著的好处。
-
Evo 2 DNA 模型高精度识别 AMR 基因
已开发出一种新的轻量级探针 Evo 2，用于直接从原始宏基因组数据中检测抗菌素耐药性 (AMR) 基因。该方法无需昂贵的基因组组装步骤，ROC-AUC 评分为 0.977，准确率很高。Evo 2 DNA 基础模型旨在有效识别这些耐药性标记。
-
新的基准和数据集推动音频、图像和视频的深度伪造检测
研究人员推出了几个新的数据集和基准，旨在改进跨各种媒体的深度伪造检测。Echoes 专注于音乐深度伪造，强调语义对齐和提供商多样性，以创建更强大的检测模型。VendorBench-100 提供了一个统一的框架，用于评估商业 API、视觉语言模型和开源检测器中的深度伪造图像检测，突出了性能差异和指标分歧。HumanForge 采用以人为中心的方法来检测深度伪造视频，使用多代理管道进行注释，并专注于人与物体以及人与人之间的交互。此外，…
-
图神经网络应用于优化和物理学问题 · 跟踪2个来源
研究人员正在探索图神经网络（GNNs）在组合优化和理论物理学等传统角色之外的应用。一项研究表明，GNNs可以作为欧几里得旅行商问题的有效启发式方法，通过一次前向传播学习生成完整的路径，计算成本极低。另一篇论文将GNNs（包括图Transformer）应用于高能物理学中的大规模图分类问题，取得了高精度，并提供了显著的数据压缩以加快计算速度。
-
研究论文确定了脑机接口拼写准确性的关键指标
本研究论文探讨了在事件相关电位（ERP）脑机接口（BCI）中，哪些性能指标最能反映拼写速率的准确性。研究分析了两个数据集（私有的LARESI数据集和公开的OpenBMI数据集）中的13项指标，以确定它们在反映用户拼写性能方面的有效性，尤其是在ERP应用中常见的数据不平衡分布情况下。研究结果表明，Brier分数、Matthews相关系数（MCC）以及考虑类别不平衡的指标，如ROC AUC、PR AUC、AP和pAUC，最能指示拼写性能，…
-
AI模型高精度检测临床试验剂量错误 · 已追踪2个来源
研究人员开发了一种使用领域特定Transformer嵌入和分类模型来检测临床试验中剂量错误的方法。该研究评估了几种语言模型，包括ClinicalBERT、PubMedBERT、BioBERT和MedCPT，用于编码文本试验数据。BioBERT表现出卓越的性能，ROC-AUC达到0.794，比ClinicalBERT提高了3.95%。组合多个嵌入并未增强结果，这表明领域对齐比表示堆叠更关键。预测剂量错误最有效的模型是梯度提升、支持向量分…
-
新的 GMM 池化方法增强了超声图像早产预测能力
研究人员开发了一种新的高斯混合模型 (GMM) 池化方法，用于多示例学习 (MIL)，以改进超声图像的早产预测。该方法对每位患者的多个宫颈图像的特征分布进行建模，捕捉患者内部的变异性，这与使用单一图像估计的标准 MIL 聚合器不同。GMM 池化方法在早产预测方面显示出显著的改进，将 PR-AUC 从 0.44 提高到 0.56。它还在淋巴结转移基准测试中取得了最先进的结果，分类的 F1 分数达到 0.91，ROC-AUC 达到 0.89。