用于CMIL分级的AI框架

Research Paper#Medical Imaging, Deep Learning, Computer Vision🔬 Research|分析: 2026年1月3日 19:46•
发布: 2025年12月27日 17:37
•
1分で読める
•ArXiv

分析

本文介绍了INTERACT-CMIL，一个用于结膜黑素细胞上皮内病变（CMIL）分级的多任务深度学习框架。该框架通过联合预测五个组织病理学轴来解决准确分级CMIL的挑战，这对于治疗和黑色素瘤预测至关重要。使用共享特征学习、组合部分监督和相互依赖损失来加强跨任务一致性是关键创新。本文的意义在于它有可能提高CMIL诊断的准确性和一致性，提供可重复的计算基准，并朝着标准化数字眼科病理学迈出一步。
引用 / 来源
查看原文
"INTERACT-CMIL achieves consistent improvements over CNN and foundation-model (FM) baselines, with relative macro F1 gains up to 55.1% (WHO4) and 25.0% (vertical spread)."
A
ArXiv2025年12月27日 17:37
* 根据版权法第32条进行合法引用。
较旧

Optimal Regulation of Nonlinear Input-Affine Systems via an Integral Reinforcement Learning-Based State-Dependent Riccati Equation Approach

较新

Machine learning models for predicting catastrophe bond coupons using climate data

相关分析

Research Paper

SpaceTimePilot：时空控制的生成视频渲染

2026年1月3日 06:10

Research Paper

量子混沌哈密顿量演化下的随机性生成

2026年1月3日 06:10

Research Paper

GaMO：几何感知扩散用于稀疏视角3D重建

2026年1月3日 06:32

来源: ArXiv