Image and Video Processing,Artificial Intelligence,Computer Vision and Pattern Recognition,Machine Learning,پردازش تصویر و فیلم , هوش مصنوعی , دید رایانه و تشخیص الگوی , یادگیری ماشین
توضیحات
Submitted 15 August, 2024; originally announced August 2024. , Comments: 17 pages, 2 figures, 5 tables
توضیحات به فارسی
ارسال شده در 15 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد ، نظرات: 17 صفحه ، 2 شکل ، 5 جدول
کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتابها، تمرینها و خودآزمایی.
ℹ️ نکات مهم هنگام خرید
این محصول به صورت فایل دانلودی کامل ارائه میشود.
توجه: لینکهای اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال میشوند.
دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینکها را دریافت نکردهاید، نام و نام خانوادگی و نام محصول را پیامک کنید تا
لینکها دوباره ارسال شوند.
💬 راههای ارتباطی پشتیبانی: واتساپ یا هر پیام رسان داخلی یا پیامک:
09395106248 تلگرام: @ma_limbs
چکیده
Deep learning has shown tremendous progress in a wide range of digital pathology and medical image classification tasks. Its integration into safe clinical decision-making support requires robust and reliable models. However, real-world data comes with diversities that often lie outside the intended source distribution. Moreover, when test samples are dramatically different, clinical decision-making is greatly affected. Quantifying predictive uncertainty in models is crucial for well-calibrated predictions and determining when (or not) to trust a model. Unfortunately, many works have overlooked the importance of predictive uncertainty estimation. This paper evaluates whether predictive uncertainty estimation adds robustness to deep learning-based diagnostic decision-making systems. We investigate the effect of various carcinoma distribution shift scenarios on predictive performance and calibration. We first systematically investigate three popular methods for improving predictive uncertainty: Monte Carlo dropout, deep ensemble, and few-shot learning on lung adenocarcinoma classification as a primary disease in whole slide images. Secondly, we compare the effectiveness of the methods in terms of performance and calibration under clinically relevant distribution shifts such as in-distribution shifts comprising primary disease sub-types and other characterization analysis data; out-of-distribution shifts comprising well-differentiated cases, different organ origin, and imaging modality shifts. While studies on uncertainty estimation exist, to our best knowledge, no rigorous large-scale benchmark compares predictive uncertainty estimation including these dataset shifts for lung carcinoma classification.
چکیده به فارسی (ترجمه ماشینی)
یادگیری عمیق پیشرفت فوق العاده ای را در طیف گسترده ای از آسیب شناسی دیجیتال و کارهای طبقه بندی تصویر پزشکی نشان داده است.ادغام آن در پشتیبانی تصمیم گیری بالینی ایمن نیاز به مدل های قوی و قابل اعتماد دارد.با این حال ، داده های دنیای واقعی دارای تنوع هایی هستند که اغلب در خارج از توزیع منبع مورد نظر قرار دارند.علاوه بر این ، هنگامی که نمونه های آزمایش به طرز چشمگیری متفاوت هستند ، تصمیم گیری بالینی تا حد زیادی تحت تأثیر قرار می گیرد.تعیین عدم اطمینان پیش بینی در مدل ها برای پیش بینی های خوب کالیبره شده و تعیین زمان (یا نه) اعتماد به یک مدل بسیار مهم است.متأسفانه ، بسیاری از آثار از اهمیت برآورد عدم اطمینان پیش بینی غافل شده اند.در این مقاله بررسی شده است که آیا برآورد عدم اطمینان پیش بینی ، استحکام را به سیستم های تصمیم گیری تشخیصی مبتنی بر یادگیری عمیق می افزاید.ما تأثیر سناریوهای مختلف توزیع کارسینوما را بر عملکرد پیش بینی و کالیبراسیون بررسی می کنیم.ما ابتدا به طور سیستماتیک سه روش محبوب را برای بهبود عدم اطمینان پیش بینی بررسی می کنیم: ترک تحصیل مونت کارلو ، گروه های عمیق و یادگیری چند عکس در طبقه بندی آدنوکارسینوما ریه به عنوان یک بیماری اصلی در تصاویر کامل اسلاید.ثانیا ، ما اثربخشی روشها را از نظر عملکرد و کالیبراسیون تحت تغییر توزیع بالینی مرتبط با آن مقایسه می کنیم ، مانند تغییر توزیع در توزیع شامل زیر انواع بیماری های اولیه و سایر داده های تجزیه و تحلیل خصوصیات.تغییرات خارج از توزیع شامل موارد کاملاً تمایز یافته ، منشأ ارگان های مختلف و تغییر روش های تصویربرداری.در حالی که مطالعات در مورد تخمین عدم اطمینان ، به بهترین دانش ما ، هیچ معیار در مقیاس بزرگ سختگیرانه تخمین عدم اطمینان پیش بینی کننده از جمله این تغییر داده ها را برای طبقه بندی سرطان ریه مقایسه نمی کند.
📚 محتوای این محصول آموزشی (پکیج کامل)
علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیقتر و تسلط کامل بر مباحث مجموعهای از کتابهای آموزشی نیز ارائه میشود.
کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتابها، تمرینها و خودآزمایی.
ℹ️ نکات مهم هنگام خرید
این محصول به صورت فایل دانلودی کامل ارائه میشود.
توجه: لینکهای اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال میشوند.
دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینکها را دریافت نکردهاید، نام و نام خانوادگی و نام محصول را پیامک کنید تا
لینکها دوباره ارسال شوند.
💬 راههای ارتباطی پشتیبانی: واتساپ یا هر پیام رسان داخلی یا پیامک:
09395106248 تلگرام: @ma_limbs
