AACR: Vorbereitete Modelle für maschinelles Lernen helfen bei der Diagnose von Nicht -Melanom -Hautkrebs

Folgen Sie Drugslib auf

Amazon Big Spring Sale - Up to 40% off

Die Forscher fanden heraus, dass alle drei FMs RESNET18 signifikant übertrafen (mittlerer Bereich unter der Betriebs charakteristischen Kurve des Empfängers [AUROC], 0,805). Das insgesamt beste Modell verwendete das Prismen -Fliese -Einbettungsdings, das mit dem intrinsischen Wahrnehmungsnetzwerk von Prism aggregiert wurde, das ein Multilayer -Perzeptron -Modell (MLP) trainierte, um den Subtyp von NMSC (AUROC, 0,925) vorherzusagen. Die Verwendung von aufmerksamkeitsbasiertem Multi-Instanz-Lernen, um die Einbettungen von Fliesen zu aggregieren, um ein MLP-Modell zu trainieren, war für die UNI- und Prov-Gigapath-Modelle optimal (mittlere AUROCs 0,913 bzw. 0,908). Die einfachste Methode mit logistischer Regression von globalen durchschnittlichen Pooling-aggregierten Einbetten könnte angemessene Ergebnisse für Prism, Uni und Prov-Gigapath erzielen (mittlere Aurocs, 0,882, 0,865 bzw. 0,855). Steven Song von der Pritzker School of Medicine an der Universität von Chicago, sagte in einer Erklärung.

Weitere Informationen

Haftungsausschluss: statistische Daten in medizinischen Artikeln liefern allgemeine Trends und beziehen sich nicht auf Einzelpersonen. Individuelle Faktoren können stark variieren. Suchen Sie immer personalisierte medizinische Beratung für individuelle Entscheidungen im Gesundheitswesen.

Quelle: Healthday

Gesendet : 2025-04-30 06:00

Mehr lesen

Haftungsausschluss

Es wurden alle Anstrengungen unternommen, um sicherzustellen, dass die von Drugslib.com bereitgestellten Informationen korrekt und aktuell sind aktuell und vollständig, eine Garantie hierfür kann jedoch nicht übernommen werden. Die hierin enthaltenen Arzneimittelinformationen können zeitkritisch sein. Die Informationen von Drugslib.com wurden für die Verwendung durch medizinisches Fachpersonal und Verbraucher in den Vereinigten Staaten zusammengestellt. Daher übernimmt Drugslib.com keine Gewähr dafür, dass eine Verwendung außerhalb der Vereinigten Staaten angemessen ist, sofern nicht ausdrücklich anders angegeben. Die Arzneimittelinformationen von Drugslib.com befürworten keine Arzneimittel, diagnostizieren keine Patienten und empfehlen keine Therapie. Die Arzneimittelinformationen von Drugslib.com sind eine Informationsquelle, die zugelassenen Ärzten bei der Betreuung ihrer Patienten helfen soll und/oder Verbrauchern dienen soll, die diesen Service als Ergänzung und nicht als Ersatz für die Fachkenntnisse, Fähigkeiten, Kenntnisse und Urteilsvermögen im Gesundheitswesen betrachten Praktiker.

Das Fehlen einer Warnung für ein bestimmtes Medikament oder eine bestimmte Medikamentenkombination sollte keinesfalls als Hinweis darauf ausgelegt werden, dass das Medikament oder die Medikamentenkombination für einen bestimmten Patienten sicher, wirksam oder geeignet ist. Drugslib.com übernimmt keinerlei Verantwortung für irgendeinen Aspekt der Gesundheitsversorgung, die mithilfe der von Drugslib.com bereitgestellten Informationen durchgeführt wird. Die hierin enthaltenen Informationen sollen nicht alle möglichen Verwendungen, Anweisungen, Vorsichtsmaßnahmen, Warnungen, Arzneimittelwechselwirkungen, allergischen Reaktionen oder Nebenwirkungen abdecken. Wenn Sie Fragen zu den Medikamenten haben, die Sie einnehmen, wenden Sie sich an Ihren Arzt, das medizinische Fachpersonal oder Ihren Apotheker.

Beliebte Schlüsselwörter