Vorhersage des Fortschreitens der diabetischen Retinopathie durch kontinuierliches zeitliches Lernen in neuronalen Differenzialgleichungsmodellen
Dieser Ansatz integriert selbstüberwachtes Lernen in zeitabhängige neuronale Differenzialgleichungsmodelle, um die Vorhersage des Fortschreitens der diabetischen Retinopathie zu verbessern.
Medizinischer Befundabgleich mit einem multimodalen Großsprachmodell
Ein neuartiges End-to-End-Framework für den medizinischen Befundabgleich, das ein multimodales Großsprachmodell nutzt, um Schlüsselphrasen automatisch aus medizinischen Berichten zu extrahieren und die entsprechenden Umgrenzungsboxen in medizinischen Bildern vorherzusagen.
Von Barlow-Zwillingen zum Triplet-Training: Differenzierung von Demenz mit begrenzten Daten
Triplet-Training, eine Methode, die selbstüberwachtes Lernen, Selbstdistillation und Feinabstimmung auf Zieldaten kombiniert, übertrifft traditionelle Trainingsstrategien deutlich bei der Differenzialdiagnose von Demenz mit begrenzten Daten.
Konzept-Aufmerksamkeits-Whitening für eine interpretierbare Diagnose von Hautkrankheiten
Ein neuartiges Konzept-Aufmerksamkeits-Whitening-Verfahren (CAW) zur Verbesserung der Interpretierbarkeit und Leistungsfähigkeit der Diagnose von Hautkrankheiten.
Qualitätsbewusste Lernen mit gemischtem Rauschen für eine robuste Diagnose von Netzhauterkrankungen
Ein neuartiger Rahmen für das Lernen mit verrauschten Etiketten (QMix), der ein robustes Modell zur Diagnose von Netzhauterkrankungen unter gemischtem Rauschen (Etikettenrauschen und Datenrauschen) lernt.
ProtoAL: Interpretable Deep Active Learning für die medizinische Bildgebung
Die ProtoAL-Methode integriert ein interpretierbare Deep Learning Modell basierend auf Prototypen in einen Deep Active Learning Rahmen, um die Interpretierbarkeit und Dateneffizienz für Anwendungen in der medizinischen Bildgebung zu verbessern.
Vergleichende Studie zur Anomalieerkennung in medizinischen Bildern
Diese Studie präsentiert einen umfassenden Benchmark zur Evaluierung verschiedener Methoden der Anomalieerkennung in medizinischen Bildern. Die Ergebnisse zeigen, dass Rekonstruktionsmethoden bei der bildbasierten Anomalieerkennung leistungsfähiger sind als selbstüberwachte Lernmethoden, insbesondere wenn es um die Erkennung lokaler Anomalien geht. Darüber hinaus zeigt die Studie, dass eine geeignete Einschränkung des Latenzraums der Rekonstruktionsmodelle deren Leistung deutlich verbessern kann.
Die Grenzen der Wahrnehmung: Eine Analyse inkonsistenter Salienz-Karten in der erklärbaren Künstlichen Intelligenz (XAI)
Die Studie untersucht die Grenzen und Inkonsistenzen von Salienz-Karten, die als Erklärungsmechanismen für KI-Entscheidungen in der medizinischen Bildanalyse dienen. Sie zeigt, dass diese Erklärungen nicht immer zuverlässig sind und tiefere Analysen erforderlich sind, um das tatsächliche Entscheidungsverhalten der KI-Systeme zu verstehen.
Wie viel Daten sind genug? Untersuchung der Datensatzanforderungen für patchbasierte Hirnmri-Segmentierungsaufgaben
Die Studie untersucht eine strategische Methode, um die erforderliche Menge an annotierten Daten für das Training von patchbasierten Segmentierungsnetzwerken abzuschätzen. Dies umfasst die Einführung einer Methode zur Bestimmung akzeptabler Dice-Ähnlichkeitskoeffizienten (DSC) für verschiedene Segmentierungsaufgaben sowie eine Methode zur standardisierten Auswahl von Patches aus den Trainingsfällen.
Benchmark zur Halluzination in der medizinischen visuellen Fragebeantwortung
Die Studie erstellt einen Benchmark-Datensatz zur Bewertung der Halluzinationsanfälligkeit von Modellen für die medizinische visuelle Fragebeantwortung und führt eine umfassende Evaluierung der aktuellen Spitzenmodelle durch.
© 2024 by Linnk AI