skin cancer
PulseAugur coverage of skin cancer — every cluster mentioning skin cancer across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新的GRIN+框架增强了不平衡医学数据的机器遗忘能力
研究人员开发了GRIN+，一个专为不平衡医学数据集设计的新型机器遗忘框架。该框架解决了从深度学习模型中移除敏感患者数据同时保留关键临床知识（特别是针对罕见病）的挑战。GRIN+分析梯度贡献，将遗忘特定知识与通用表示分离开来，并使用类自适应影响评分机制来纠正梯度主导问题。在皮肤癌、脑肿瘤和乳腺超声数据集上的基准测试表明，GRIN+在隐私、效用和效率之间取得了良好的平衡，优于现有方法。
-
人工智能皮肤癌检测工具有所改进，但普及程度不均 · 追踪3个来源
人工智能驱动的皮肤癌检测工具的准确性和有效性正显示出显著的改进。然而，这些进步的益处并未得到公平分配，某些人群或地区可能被落下。这种差距凸显了在确保尖端人工智能医疗解决方案公平可及方面持续存在的挑战。
-
新AI框架增强手术切缘评估的可解释性
研究人员开发了一个名为Agent-Guided Concept Discovery的新框架，旨在提高使用快速蒸发电离质谱法（REIMS）数据的外科手术切缘评估深度学习模型的可解释性和泛化能力。该方法直接从数据中学习有意义的概念，无需预定义标签，并使用一个推理代理来完善概念描述并调整其诊断相关性。该框架还将概念与生物化学知识图谱相结合，以确保与已知的代谢关系一致。在对皮肤癌和乳腺癌数据集的测试中，该模型在平衡准确率和敏感性方面有所提高，…
-
混合深度学习和超表面提高了皮肤癌检测的准确性
研究人员开发了一种结合多光谱超表面和混合深度学习模型的新型皮肤癌检测系统。该方法捕获可见光谱以外的详细光谱信息，这对于识别早期恶性肿瘤至关重要。混合卷积神经网络和视觉Transformer模型同时分析局部和全局特征，在模拟中实现了高准确率、灵敏度和特异性。该集成系统有望推动皮肤病学诊断，并可能带来更便携、更准确的临床工具。
-
深度学习模型在皮肤癌检测中的比较
研究人员对十二种用于皮肤癌检测的深度学习模型进行了全面评估，比较了卷积神经网络（CNN）、视觉Transformer（ViT）、混合模型和视觉语言模型（VLM）。该研究使用了PAD-UFES-20数据集，并使用AUC、F1分数和80%特异度下的敏感性等指标评估了性能。结果表明，虽然CNN提供了一个坚实的基线，但基于Transformer的架构通常提供更优越的区分能力。MaxViT Tiny和CoAtNet0等混合模型，以及基于SigL…