跳到主要内容
检索

Saurav Mallik

2 篇关联报道

订阅更新
  1. medRxiv

    PCOS筛查不再只看总准确率:最罕见亚型召回从75%升到87.5%

    多囊卵巢综合征的机器学习筛查长期只报告一个二分类准确率,掩盖了各临床亚型之间的差异。在541名患者的公开数据集上,调优后的随机森林各亚型准确率从最罕见亚型的75.0%到最常见亚型的97.8%,相差22.8个百分点,剔除用于定义亚型的七个变量后差距为23.3个百分点。一种由随机森林筛选特征、遗传算法调参的多任务神经网络同时预测二分类标签与亚型,保持90.2%的二分类准确率,把最罕见亚型召回从75.0%提高到87.5%,把难以归类病例的召回从多分类模型的31.5%提高到79.6%。

  2. bioRxiv

    混合残差–Swin Transformer 与注意力机制的前列腺癌分割模型 RSAUNet

    该研究提出 RSAUNet,一种在 U-Net 主干中融合残差卷积块、Swin Transformer 块与注意力机制的深度学习架构,用于 MRI 前列腺癌分割,并在公开 Kaggle 前列腺标注数据集上报告了 Dice 系数 0.998、Jaccard 指数(IoU)0.965 的训练与验证结果,同时通过消融实验比较了各组件逐项加入后的损失、准确率、Dice 与平均 IoU 变化。

已读完全部报道