arXiv · cs.AI · Julia A. Mielcarz, Andrea Camilloni, Nita Mulliqi, Jessica A. Frank, Anders Blilie, Emilius A. M. Janssen, Martin Eklund, Kimmo Kartasalo · 10 小时前模型评分32
计算病理学新方法：训练时域迁移实现无生成器的新模态诊断
Training-Time Domain Transfer for Generator-Free Diagnostics on Novel Modalities in Computational Pathology
导读
研究提出训练时域迁移方法，用存档常规样本生成合成目标域训练数据，让模型直接诊断真实输入，无需推理时生成。在前列腺未染色组织病理上，该方法与常规H&E基准的一致性高于推理时虚拟染色（原始组织Cohen's κ=0.59 vs 0.37）。这有望降低新成像模态人工智能（AI，Artificial Intelligence）诊断的幻觉风险、算力开销与监管复杂度。
分类置信度
中 · 待人工复核
- 只有单一媒体来源，需要人工复核。
来源级别：媒体与个人
应用领域：医疗与生命科学
事件类型：研究发布
证据摘录
- “Inspired by sim-to-real transfer, we propose training-time domain transfer, generating synthetic target-domain training data from archived routine samples to enable direct diagnosis on real inputs without inference-time generation.”
来源：arXiv · cs.AI · arxiv.org