用于肺癌筛查的可解释AI

Research Paper#Medical Imaging, AI in Healthcare, Lung Cancer🔬 Research|分析: 2026年1月3日 16:41•
发布: 2025年12月31日 00:23
•
1分で読める
•ArXiv

分析

本文通过提出一种将放射组学特征与Lung-RADS语义联系起来的新方法，解决了当前肺癌筛查方法的局限性。放射学-生物学词典的开发是提高个性化医疗中AI模型可解释性的重要一步。半监督学习框架和SHAP分析的使用进一步增强了所提出方法的鲁棒性和可解释性。高验证准确率（0.79）表明，这种方法有可能改善肺癌的检测和诊断。
引用 / 来源
查看原文
"The optimal pipeline (ANOVA feature selection with a support vector machine) achieved a mean validation accuracy of 0.79."
A
ArXiv2025年12月31日 00:23
* 根据版权法第32条进行合法引用。
较旧

Show HN: A Digital Twin of my coffee roaster that runs in the browser

较新

Launch HN: Chonkie (YC X25) – Open-Source Library for Advanced Chunking

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