热点事件持续更新

CalibCause提出糖尿病视网膜病变智能分级框架

1 篇报道1 个报道来源8 小时前更新

先了解这件事

AI 综述

Sohaib Sulman 等研究人员提出 CalibCause，一种用于糖尿病视网膜病变分级的质量门控深度学习框架，通过混合专家模型、图像质量评估、视觉解释和置信度校准，提高眼底图像分级的可靠性，并允许模型将低置信度图像交由人工复核。研究使用 EyePACS、DDR 和 APTOS 2019 的共51,310张眼底图像进行评估，并使用 IDRiD 和 DeepDRiD 开展外部测试。蒸馏后的学生模型达到0.863的二次加权Kappa（QWK）和0.865的准确率，参数量为2,780万，比教师模型减少52%。将置信度最低的20%图像延迟处理后，其余图像的准确率提升至0.923。此外，研究使用200张标注图像重新拟合分级阈值，使无标签模型在独立 EyePACS 测试集上的 QWK 从0.533提升至0.621。该框架目前提供的是实验评估结果，尚不能据此认定其已具备临床应用效果。

AI 根据报道生成 · 2 小时前更新

报道时间线

沿着报道，了解事件的不同侧面。

11月2日

13:00
arXiv · Machine Learning
CalibCause：用于糖尿病视网膜病变分级的质量门控、可解释与校准深度学习框架
CalibCause 提出一种质量门控混合专家框架，结合专家视觉解释、无标签图像质量条件、知识蒸馏及带置信度校准的延迟决策，用于糖尿病视网膜病变分级。在 51,310 张眼底图像的评估中，蒸馏学生模型取得 0.863 的 QWK 和 0.865 的准确率，参数量为 27.8 million，较教师模型减少 52%。延迟置信度最低的 20% 图像后，其余图像准确率提升至 0.923。

本事件热度走势

还没有足够的连续观测数据，暂不绘制趋势。