两阶段深度学习框架从新生儿 MRI 分级检测脑病,AUC 达 0.919
Dr_Alex_Crimi · x · 2026-10-30
新论文发表于 Frontiers in Neuroimaging,提出分层两阶段深度学习管线,从新生儿 T1/T2 加权 MRI 中模拟临床推理流程检测脑病。
- Stage 1:基于 3D ResNet-18 的脑龄差回归器筛查髓鞘化延迟(早产儿),脑龄回归 R² 达 0.941
- Stage 2:另一个 3D ResNet-18 做三分类——正常、缺氧缺血性脑病(HIE)、脑积水,Stage 2 AUC 为 0.919±0.024
- 解决的痛点:早产儿的髓鞘化延迟模式会掩盖并发的结构性病变,现有框架通常孤立处理或压成单一平面分类器
- 数据集含正常 566 例、HIE 56 例、脑积水 38 例、早产 27 例等
- 模型与代码均已开源
所属事件:两阶段深度学习从新生儿 MRI 筛查脑病(2 条相关)→
「研究」频道最新
- 高斯头替代扩散层:仅用 0.02% 数据让机器人策略推理快至 2 倍 — francoisfleuret · 2026-10-30
- 西北大学Hullman：验证不等于知识，AI科学产出需有人能负责 — JessicaHullman · 2026-10-30
- Humansand 发布 &Tutor：先建「学习者模型」再训教学模型 — techNmak · 2026-10-30
- CATT 基准揭示归因方法为何追溯不到模型的训练数据 — cindy_x_wu · 2026-10-30
- Soham 发布个性化癌症疫苗制造平台，将生产 100+ 种 mRNA 疫苗 — jajoosam · 2026-10-30
- 实测：低温贪心解码让模型编程更笨，温度 1.0 比 0 高 12.7 个百分点 — Brief-Tap-6616 · 2026-10-30