跳到主要内容
检索

Lehigh University

3 篇关联报道

订阅更新
  1. researchsquare.com

    超声心动图分割只需20例标注:新智能体把左室射血分数误差压到4.33%

    在只有20例本地标注的情况下,一套面向超声心动图视频的智能体框架完成了左心室分割与射血分数估算。它把经低秩适配微调的视频分割基础模型、由掩膜引导的长轴回归模块和自然语言交互层串成一条流程,在Mayo Clinic的98例队列上把射血分数中位绝对误差从5.47%降到4.33%,落在±10个百分点内的病例比例从80.6%升到83.3%。在公开数据集EchoNet-Dynamic上,该框架的分割Dice为0.934,射血分数中位误差为4.24%。

  2. arXiv

    决策模型不再一次定答案:同一套权重循环加深,难题多算几步就多对13个百分点

    面向固定选项的决策模型通常一次前向就给出每个选项的概率,深度在训练时固定,简单题和难题花同样的算力。LEV 把主干换成预训练时就带循环的语言模型,每一步之后都读取选项并联合训练所有步,因此一个检查点可在任意深度作答;在 JevBench 上,2.6B 模型从深度一的 63.2% 升到深度四的 76.2%,增益主要来自难题。一个轻量停止器按问题决定深度,阈值在无标注请求上拟合,节省 15% 到 24% 的算力,代价不到一个准确率点。

  3. bioRxiv

    分层时序 Transformer:从病理报告预测癌症分级并实现跨癌种迁移

    本文提出分层时序 Transformer(HTT),第一层用 LoRA 适配的 BiomedBERT 编码单份报告,第二层用时序 Transformer 结合以就诊间隔天数构建的连续时间位置编码和可学习的癌种嵌入读取患者完整报告序列;在受控合成连续影像报告语料上验证 AUROC 达 0.942(单报告基线 0.881),迁移到留出的胰腺癌达 0.995(基线 0.949),在 TCGA-Reports 的 4,786 份真实病理报告、14 个癌种上对三个完全未参与训练的癌种预测肿瘤分级,AUROC 分别为甲状腺癌 1.000、肉瘤 0.960、肺鳞癌 0.808,留出癌种平均 AUROC 0.923 与分布内测试 AUROC 0.923 持平,消融

已读完全部报道