Bilmen gereken 3 şey
- Model, MobileNet'in yerel görsel özelliklerini görüntü dönüştürücünün uzun menzilli ilişkileriyle hiyerarşik dikkat katmanında birleştirdi.
- C-NMC 2019 verisinin ayrılmış test bölümünde 1.599 görüntünün 1.583'ü doğru sınıflandırıldı ve yüzde 99 doğruluk elde edildi.
- Grad-CAM++ görselleştirmeleri, kararın hangi hücresel bölgelere dayandığını incelemek için kullanıldı.
Bu gelişme nereyi etkiliyor?
ANALİZİ
Bu puanlar haberin kapsamı, etkilenen kişi ve sektörler ile kısa–orta vadeli sonuçları dikkate alınarak editoryal olarak hazırlanır.
Ne oldu?
Akut lenfoblastik lösemide hızlı mikroskobik ön tarama, uzman incelemesine ayrılan zamanı azaltabilir. Hibrit mimari, küçük hücre ayrıntıları ile yayma genelindeki ilişkileri tek modelde yakalamayı hedefliyor.
Tek bir açık veri setindeki görüntü düzeyi sonuçlar, yeni hastanelerde hasta düzeyi tanı başarısını garanti etmez. Aynı hastadan gelen benzer görüntülerin bölümler arasında sızmaması, farklı boyama ve mikroskop koşullarında dış doğrulama ve hematolog karşılaştırması kritik.
Neden önemli?
Düşük maliyetli bir görüntü taraması, uzman yetersizliği olan merkezlerde şüpheli örnekleri önceliklendirebilir. Ancak yüksek doğruluk ancak hasta düzeyi veri ayrımı ve bağımsız doğrulamayla klinik değere dönüşür.
Sağlık gündemi nasıl ilerledi?
Haberin dayandığı özgün duyuruyu inceleyebilirsin.