跳到主要内容
检索

The University of Texas Health Science Center at Houston

3 篇关联报道

订阅更新
  1. arXiv

    DPRD 用 ROI 掩码与位移向量对齐蒸馏,让仅占教师约5%参数的学生在 AMOS 上以 85.46% Dice 超过 MedNeXt 教师

    该工作提出位移保持关系蒸馏(DPRD),在 nnU-Net 中对 ROI 掩码后的病例级嵌入做批量成对位移向量对齐并配合关系尺度归一化,在 ISLES 2022 与 AMOS 2022 上以约5%教师参数和约3% FLOPs 的学生取得优于 Logits KD、FitNet、RKD、CIRKD 的分割结果,AMOS 上 Dice 达 85.46%、HD95 降至 11.72 mm。

  2. arXiv

    DCD 在 BraTS 2024 与 ISLES 2022 上把压缩 3D MRI 分割学生模型的 mDice 从 63.60% 提升到 68.51%,参数量从 101.9M 降到 6.4M

    作者提出 Detail Consistent Distillation(DCD):在训练时对教师与学生的每个编码器阶段特征做 3D 离散小波分解,只对方向性细节子带 D(排除低频近似带 A 与最易含噪的极高频带 S)经逆小波重建后在空间域做 MSE 对齐,在 BraTS 2024 与 ISLES 2022 上把通道压缩 4 倍的学生模型 mDice 分别从 63.60% 提升到 68.51%、从 70.21% 提升到 73.95%,且不增加推理开销。

  3. PLOS Digital Health

    以医学知识为根基的LLM智能体工具:从病历中识别患者安全事件

    该研究提出SAFE-AI框架,将大语言模型的角色限制为从急诊病历中零样本抽取实体,再由基于临床指南本体构建的确定性规则计算图完成判断,在300份儿科院外心脏骤停病历(18,402行临床信息)上检测肾上腺素过量与给药延迟,报告过量检测准确率97.9%、延迟检测准确率91.6%,优于所比较的基线模型。

已读完全部报道