跳到主要内容
检索

Tehran University of Medical Sciences

4 篇关联报道

订阅更新
  1. bioRxiv

    稀疏自编码器特征换个尺子量:跨种子可复现不等于对应真实概念,五种子共识把可复现率提到78–98%

    稀疏自编码器(SAE)常被用来从生物基础模型嵌入中提取可解释特征,而跨随机种子可复现一直被当作特征可信的标志。研究在概念已知的嵌入上同时测量可复现性、概念覆盖与纯度:单次SAE拟合只复现27–46%的特征,却覆盖多数概念;对五个种子拟合做共识后,可复现率升到78–98%,纯度与单次拟合相当。代价是共识覆盖的谱系少于单次拟合,且所有SAE都漏掉弱细胞状态。

  2. FAR-POLYP-SEG:带患者级元数据的前瞻性单中心结肠镜息肉分割数据集与跨数据集基线评估

    该研究在伊朗德黑兰Farhikhtegan医院于2025年2月至12月常规结肠镜检查中前瞻性采集了来自455名患者的8181帧图像(432帧息肉阳性并带专家像素级分割掩膜、7749帧正常黏膜),为每例关联年龄、性别、检查指征、BBPS评分和操作时长等患者级元数据,并在统一协议下用患者分组五折交叉验证训练评估六种分割架构,发现PraNet内部Dice最高(0.755)、nnU-Net内部IoU最高(0.665)且像素准确率最高,但正常黏膜上的门控假阳性率从24.9%(YOLOv11m-seg)到59.5%(nnU-Net)几乎完全反转了内部Dice排序,而在公开Kvasir-SEG外部测试集上D

  3. Health Science Reports

    基于CRISP-DM框架的机器学习无创贫血诊断系统综述

    该综述按照PRISMA流程检索PubMed、Web of Science与Scopus(2019年1月1日至2025年3月27日),从1923条记录中纳入58项研究,并以CRISP-DM各阶段(问题理解、数据理解、数据准备、建模、评估、部署)为框架,系统梳理了机器学习用于无创贫血检测与血红蛋白估计的算法、数据来源、采集部位、光源、评价指标与部署方式,同时用PROBAST工具评估偏倚风险与适用性。

  4. Neurosurgical Review

    人工智能在三叉神经痛中的应用:三叉神经分割与神经血管冲突检测的系统综述与荟萃分析

    该系统综述与荟萃分析汇总了5项研究、共577例确诊三叉神经痛患者,评估深度学习与机器学习模型在MRI上自动分割三叉神经并检测神经血管冲突的诊断表现,合并敏感度为71%(95% CI: 65-76%)、特异度为92%(95% CI: 88-94%)、AUC为0.91(95% CI: 0.88-0.93),提示AI模型在该任务上具有较高的诊断准确性。

已读完全部报道