TL;DR
- چکیده:.
- مدلهای یادگیری عمیق چندوجهی که تصاویر هیستوپاتولوژی کل اسلاید را با دادههای ژنومی ترکیب میکنند،.
- به عملکرد متمایز قوی برای پیشبینی بقای سرطان،.
چه اتفاقی افتاد
چکیده:. مدلهای یادگیری عمیق چندوجهی که تصاویر هیستوپاتولوژی کل اسلاید را با دادههای ژنومی ترکیب میکنند،.
به عملکرد متمایز قوی برای پیشبینی بقای سرطان،. همانطور که با شاخص تطابق اندازهگیری میشود،.
دست یافتهاند. با این حال،.
اینکه آیا احتمال بقای به دست آمده از این مدلها - مستقیماً از خروجیهای بومییا از طریق. بازسازی استاندارد پسهک - کالیبره شدهاند،.
تا حد زیادی بررسی نشده است. طبق دانش ما،.
ما اولین ممیزی سیستماتیک یک کالیبراسیون سطح تاشو از معماریهای بقای ژنومیک WSI چندوجهی را انجام میدهیم،. خروجیهای بقای زمان گسسته بومیرا ارزیابی میکنیم (آزمایش A:.
3 مدل در TCGA-BRCA) و منحنیهای بقای بازسازیشده توسط Breslow از امتیازات معماری اسکالر ریسک BTC:. 1xE.
در آزمایش A،. هر سه مدل در کالیبراسیون 1 در اکثر تاها شکست میخورند (12 از 15 تست سطح برابر.
پس از رد شدن تصحیح بنجامینی-هخبرگ). در سراسر 290 تست سطح برابر،.
166 عدد کالیبراسیون صحیح را در زمان رویداد متوسط پس از تصحیح بنجامینی-هوچبرگ رد کردند (FDR = 0. 05).
MCAT در GBMLGG به شاخص C 0. 817 دست مییابد، اما در هر پنج تای کالیبراسیون 1 ناموفق است.
همجوشی مبتنی بر دروازه با کالیبراسیون بهتر همراه است. فیوژن دوخطی و الحاقی نیستند.
مقیاس بندی Platt Post-hoc کالیبراسیون نادرست را در افق ارزیابی شده کاهش میدهد (بهعنوان مثال،. MCAT:.
5/5 برابر شکست به 2/5) بدون تأثیر بر تبعیض. شاخص تطابق به تنهایی برای ارزیابی مدلهای بقای در نظر گرفته شده برای استفاده بالینی کافی نیست.
صفحه، 5 شکل یادگیری ماشین (cs. LG)؛ هوش مصنوعی (cs.
AI)؛ روشهای کمی (q-bio. QM) کلاسهای ACM: J.
3; I. 2.
6 استناد بهعنوان: (یا v1 [cs. LG] برای این نسخه) https:.
// شده توسط arXiv از طریق DataCite (در انتظار ثبت نام) تاریخچه ارسال از:. سجاد قوامی [مشاهده ایمیل] [v1] یکشنبه،.
5 آوریل 2026،. 19:.
47:. 04 UTC (121 KB).
چرا مهم است
اهمیت این خبر در این است که روی استفاده واقعی از AI و تصمیمگیری سازمانی اثر میگذارد.
منبع
لینک منبع اصلی در کارت و صفحه مقاله نمایش داده میشود.