咳嗽声结核筛查模型跨数据集难泛化
热点事件持续更新
咳嗽声结核筛查模型跨数据集难泛化
1 篇报道1 个报道来源4 小时前更新
先了解这件事
AI 综述
Wensi Zhang 等作者在 arXiv 发表跨数据集评估,检验经典机器学习和深度学习咳嗽声结核病分类器在三个独立数据集上的表现:数据集内 ROC-AUC 最高仅 0.76±0.06,外部测试常低于 0.6,两类模型均无法泛化。 研究发现,音频表征按录音设备和数据集聚类,而非按结核病状态;预测概率随 CODA 中各国患病率变化,设备不匹配会降低迁移效果。作者据此认为,采集环节的差异是泛化差的主要驱动因素。 作为对照,仅用临床变量的基线模型泛化更稳定,ROC-AUC 为 0.65–0.71。
AI 根据报道生成 · 1 小时前更新
最新进展11月18日 13:00
基于机器学习的咳嗽模型为何无法泛化:结核病筛查的跨数据集系统评估报道时间线
沿着报道,了解事件的不同侧面。
11月18日
- arXiv cs.AI基于机器学习的咳嗽模型为何无法泛化:结核病筛查的跨数据集系统评估
研究对经典机器学习和深度学习咳嗽结核病分类器在三个独立数据集上做跨数据集评估,数据集内 ROC-AUC 最高仅 0.76±0.06,外部性能常低于 0.6,两类流程均无法泛化。音频表征按录音设备和数据集而非结核病状态聚类,预测概率随 CODA 中各国患病率变化,设备不匹配会降低迁移效果。临床变量基线泛化更稳定(ROC-AUC 0.65-0.71),说明采集环节的差异是泛化差的主要驱动因素。
本事件热度走势
还没有足够的连续观测数据,暂不绘制趋势。