Հղումների աղյուսակ   Վերացական և ներածություն   Հարակից աշխատանք  Մեթոդներ   3.1 Դրական գումարային արդարություն   3.2 Կիրառում   Փորձարկումներ   4.1 Նախնական արդյունքներ   4.2 Դրական գումարային արդարություն   Եզրակացություն և հղումներ  3.2 Կիրառում  Արդարության այս հասկացությունը գործնականում կիրառելու և ավանդական խմբային արդարության հետ տարբերությունը ցույց տալու համար մենք համեմատում ենք երեք մոդելներ, որոնք օգտագործում են զգայուն հատկանիշներ բազային մոդելի համար: Մոդելի կողմից զգայուն ատրիբուտների օգտագործման ձևը հայտնի է, որ ազդեցություն ունի մոդելի արդարության և կատարողականի վրա [3,39,41,11]: Հետևաբար, մենք օգտագործում ենք մոդելներ, որոնք բացահայտորեն ներառում են զգայուն ատրիբուտներ, կամ, ընդհակառակը, հեռացնում են ցանկացած ժողովրդագրական կոդավորում մուտքային տվյալներից:  Չորս մոդելները վերապատրաստված են կրծքավանդակի ռադիոգրաֆիայի (CXR) գտածոների բազմակի դասակարգման խնդրի վրա: Բոլոր պարամետրերում օգտագործվում է Densenet-121 [13] ողնաշարը, որը էմպիրիկորեն որոշվել է այս խնդրի համար լավագույն կատարումը տալու համար: Ճշգրիտ մոդելային ճարտարապետությունները ներկայացված են նկար 2-ում և նկարագրված են ստորև.  –   . ելակետային դասակարգիչ, որն օգտագործում է պատկերները որպես մուտքագրում և վերապատրաստված՝ կանխատեսելու մեր տվյալների բազայի հետ կապված նպատակային CXR բացահայտումները: Մոդելը ներառում է ողնաշար՝ պատկերի առանձնահատկությունները հանելու համար, և հայտնաբերման ճյուղ, որը բաղկացած է լիովին միացված շերտից և երկուական խաչաձև էնտրոպիայի կորստից յուրաքանչյուր գտածոյի համար: M1  –   . դասակարգիչ, որն օգտագործում է և՛ պատկերները, և՛ մրցավազքի առանձնահատկությունները որպես մուտքագրում: Մրցավազքի տեղեկատվությունը գալիս է կատեգորիկ փոփոխականի տեսքով, որը մենք վերածում ենք մեկ տաք վեկտորի և կերակրում ենք ամբողջությամբ միացված շերտին: Մենք միացնում ենք հատկանիշները լիովին միացված շերտից և պատկերի առանձնահատկություններից՝ նախքան ճյուղ գտնելը փոխանցելը: Մոդելը վերապատրաստվում է ծայրից ծայր: M2  –   . դասակարգիչ, որն օգտագործում է պատկերները միայն որպես մուտքագրում, բայց վարժված է կանխատեսել պատկերների գտածոները, ինչպես նաև ռասայական խումբը (այսինքն այս մոդելը նպատակ ունի օգտագործել նկարներում առկա ռասայական կոդավորումները): Այս մոդելի համար մենք փոփոխում ենք բազային դասակարգչի վերջնական շերտը՝ հարմարեցնելով կորստի ֆունկցիան՝ օպտիմալացնելու երկու առաջադրանքները՝ CXR բացահայտումները և մրցավազքի խումբը: Մենք նաև փոխակերպում ենք ռասայական տեղեկատվությունը մեկ տաք կոդավորված վեկտորի՝ բազմակարգի կորուստ կիրառելու համար: Մրցավազքի դասակարգման ճյուղը կազմված է լիովին միացված շերտից և խաչաձև էնտրոպիայի կորստի ֆունկցիայից։ Վերջնական կորուստը հաշվարկվում է՝ ավելացնելով հայտնաբերման կորուստը և մրցավազքի կորուստը λ քաշի կորստի հետ: M3  –   . դասակարգիչ, որն օգտագործում է պատկերները որպես մուտքագրում, որը պատրաստված է պատկերների հայտնաբերումները կանխատեսելու համար՝ միաժամանակ նվազագույնի հասցնելով նկարում կոդավորված ռասայական տեղեկատվության օգտագործումը: Այս մոդելի համար մենք իրականացնում ենք [28]-ում նկարագրված գրադիենտ հակադարձման տեխնիկան: Մենք կիրառում ենք գրադիենտ հակադարձ շերտը մրցավազքի ճյուղից առաջ:  M4   Հեղինակներ:  (1) Samia Belhadj∗, Lunit Inc., Սեուլ, Կորեայի Հանրապետություն (samia.belhadj@lunit.io);  (2) Sanguk Park [0009 −0005 −0538 −5522]*, Lunit Inc., Սեուլ, Կորեայի Հանրապետություն (tony.superb@lunit.io);  (3) Ambika Seth, Lunit Inc., Սեուլ, Կորեայի Հանրապետություն (ambika.seth@lunit.io);  (4) Հեշամ Դար [0009 −0003 −6458 −2097], Lunit Inc., Սեուլ, Կորեայի Հանրապետություն (heshamdar@lunit.io);  (5) Thijs Kooi [0009 −0003 −6458 −2097], Kooi, Lunit Inc., Սեուլ, Կորեայի Հանրապետություն (tkooi@lunit.io):  Այս փաստաթուղթը   CC BY-NC-SA 4.0 լիցենզիայի ներքո: հասանելի է arxiv-ում

Part of HackerNoon's growing list of open-source research papers, promoting free access to academic material.

Read My Stories

Snapshot of society, a statistical portrait of people, age, gender, understanding populations, and their diverse stories

demographic's blog

Այս աուդիոն պատրաստվել է պատմության բնօրինակ լեզվով:

Չափազանց երկար; Կարդալ

Make resilience your competitive advantage

Ինչպես են զգայուն տվյալներն ազդում արդարության և ճշգրտության վրա բժշկական AI մոդելներում

About Author

ՄԵԿՆԱԲԱՆՈՒԹՅՈՒՆՆԵՐ

ԿԱԽՎԵԼ ՏԵԳՍԵՐ

ԱՅՍ ՀՈԴՎԱԾԸ ՆԵՐԿԱՅԱՑՎԵԼ Է Մ

Related Stories

Toufi Saliba: The Architect Behind HyperCycle's Decentralized Network of AI

HyveDA Secures $50 Million in Pre-Deposits After Symbiotic Mainnet Launch

What is Hyperthreading and How Do You Enable It?

How HyperCycle Is Building the Internet for AI: A Deep Dive with Toufi Saliba

Toufi Saliba: The Architect Behind HyperCycle's Decentralized Network of AI

HyveDA Secures $50 Million in Pre-Deposits After Symbiotic Mainnet Launch

What is Hyperthreading and How Do You Enable It?

How HyperCycle Is Building the Internet for AI: A Deep Dive with Toufi Saliba

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps