机构名称：
¥ 1.0
深度学习 (DL) 是人工智能的一个子领域，它充分利用了人工神经网络的潜力，尤其是具有多个非线性“深层”的卷积神经网络 (CNN)，在解决基于图像的问题方面取得了巨大成功 [2]。例如，CNN 已成功识别人脸、交通标志和物体、汽车、动物，使机器人和自动驾驶汽车具有视觉功能，最近，它还使医疗应用具有视觉功能。这些神经网络在多个分类和分割任务中表现出了人类水平的性能。CNN 的性能通常通过准确度、灵敏度、特异性、精确度、召回率（也称为真阳性率 (TPR)）和假阳性率 (FPR)（等于 1 - 特异性）来评估。实际上，TPR 和 FPR 之间总是存在权衡，就像在医学领域经常面临的灵敏度和特异性之间的权衡一样，必须在训练模型的性能中找到假阳性和假阴性之间的平衡。例如，可以绘制接收者操作特性曲线（ROC 曲线），即在不同分类阈值下绘制 TPR 与 FPR 的曲线，然后可以找到一个在 TPRi 和 FPRi 之间达到令人满意的平衡的操作点（TPRi、FPRi）。为了使用单一性能指标（曲线下面积 (AUC)）评估和比较经过训练的 AI 模型的性能，整个
人工智能助力 H&E 复兴
主要关键词
相关文件推荐
