机构名称：
¥ 5.0
我们生活在AI快速发展的领域的时代，在该时代，AI技术已变成了许多域中必不可少的工具，包括生物医学图像分析。数字细胞学是一个涉及生物医学图像数据的领域，可以从AI技术中受益。AI技术通过减轻专业人士的负担和发现可能不会被人类注意到的专业人士的负担，为检测癌症等疾病的医学专家提供了巨大的潜力。但是，AI算法具有道德上的考虑因素和潜在的危害，需要关注和管理。认识到此问题在处理患者数据的应用中尤为重要，因为错误可能是由于错误引起的。另一个现有的问题是，患者数据通常会带来独特的挑战，这些挑战为用于处理此类信息的AI算法的发展增加了复杂性。本论文包含四篇论文，其中包括具有具有挑战性特性的数据的图像分类的方法，例如细颗粒标签的稀缺性和复杂的数据组成。重要的是，我们探索了能够解决AI缺乏解释性和信任的AI方法。本文中的四篇论文中的两篇是致力于对数据集的可解释的多个实例学习方法的可行端到端培训，每个患者的数据大量数据，例如细胞学数据。本文的其他论文之一中介绍的研究工作侧重于应用可解释的AI方法来分析现实世界中的细胞学数据以进行癌症检测。以数字细胞学公共可用数据集的短缺以及在现实世界中数字图像细胞学数据中缺乏细粒度标签的稀缺性，我们研究了合成数据在AI方法分析中的作用。在第四篇论文中，我们探讨了AI方法的功能，以与研究条件相关的信息的稀疏分析数据。这个研究问题对于回答基于细胞学的早期癌症检测很重要。我们的发现表明，尽管图像细胞学数据分析带来了挑战，但AI方法可以通过提供可能对他们有价值的信息来帮助医疗专家发挥重要作用。
深入学习和可解释的生物医学应用的人工智能
主要关键词
相关文件推荐
