对于前列腺癌患者,Gleason评分是最重要的预后因素之一,可能决定独立于分期的治疗。然而,Gleason评分基于肿瘤形态的主观显微镜检查并且具有较差的再现性。在这里,我们提出了一个深度学习系统(DLS),用于Gleason评分前列腺切除术的全幻灯片图像。我们的系统是使用来自1,226张幻灯片的1.12亿个病理学家注释的图像片段开发的,并在331个幻灯片的独立验证数据集上进行评估,其中参考标准由泌尿生殖专家病理学家建立。在验证数据集中,29名一般病理学家的平均准确度为0.61。 DLS的诊断准确率显着提高0.70(p = 0.002),并且与临床随访数据的相关性趋向于更好的患者风险分层。我们的方法可以提高格里森评分的准确性和随后的治疗决策,特别是在专业知识不可用的情况下。 DLS还超越了当前的格里森系统,以更精细地表征和定量肿瘤形态,为格里森系统本身的细化提供了机会。
translated by 谷歌翻译
有大量复杂的动态系统对我们的日常生活和社会至关重要但却难以理解,即使今天有可能感知和收集大量的实验数据,它们也是如此复杂和不断发展,以至于它们的动力不太可能将被详细了解。然而,通过计算工具,我们可以尝试最好地利用当前技术和可用数据。我们认为,最有用的模型将在有限的知识或多个假设的背景下考虑系统复杂性和可用数据之间的不平衡。生物细胞的复杂系统是在系统生物学中研究的这种系统的一个主要例子,并且激发了本文提出的方法。它们是作为DARPA快速威胁评估(RTA)计划的一部分而开发的,该计划涉及对影响人体细胞的毒素或药物的作用机制(MoA)的理解。结合使用高斯过程和抽象网络建模,我们提出了三种基本的不同的基于机器学习的方法来学习因果关系,并从高维时间序列数据中合成因果网络。虽然其他类型的数据可用并且已经在我们的RTA工作中进行了分析和整合,但我们关注的是本文中从高通量微阵列实验获得的转录组学(即基因表达)数据,以说明我们的算法的能力和局限性。我们的算法使得不同但总体上相对较少的生物学假设,因此它们适用于其他类型的生物数据,甚至可能适用于其他复杂系统,这些系统具有高维度但不具有生物学性质。
translated by 谷歌翻译
我们将介绍2019年戴维斯视频对象分割挑战赛,这是戴维斯挑战系列赛的一部分,这是一个专为视频对象分割(VOS)设计的公开竞赛。除了原始的受监督的轨道和在前期引入的互动轨道之外,今年还将展出一种新的无监督多目标轨道。在新引入的轨道中,要求参与者在每个图像上提供非重叠对象提议,以及在帧之间链接它们的标识符(即视频对象提议),而无需任何测试时间人工监督(测试视频上没有提供涂鸦或掩模) 。为了做到这一点,我们以简洁的方式注释了DAVIS 2017的列车和val系列,以便为无人监督的赛道提供便利,并为比赛创造了新的测试开发和测试挑战集。本文详细描述了无监督轨道的定义,规则和评估指标。
translated by 谷歌翻译
对抗训练,其中网络训练对抗的例子,是抵御强烈攻击的对抗性攻击的少数防御之一。遗憾的是,产生强大对抗性示例的高成本使标准对抗性训练对像ImageNet这样的大规模问题不切实际。我们提出了一种算法,通过循环更新模型参数时计算的梯度信息,消除了生成对抗性示例的开销成本。与自然训练相比,我们的“免费”对抗训练算法在CIFAR-10和CIFAR-100数据集上具有最先进的稳健性,并且比其他强大的对抗训练方法快7到30倍。使用具有4个P100 GPU的单工作站和2天的运行时间,我们可以为大规模ImageNet分类任务训练一个强大的模型,该任务对PGD攻击保持40%的准确性。
translated by 谷歌翻译
从噪声线性测量中恢复低秩矩阵的任务在计算科学中发挥着核心作用。问题的平滑配方经常表现出不希望的现象:经典定义的条件数随着环境空间的尺寸而变得很差。相比之下,我们在这里表明,在各种具体情况下,非平稳性配方不会遭受相同类型的病态调节。因此,非光滑优化的标准算法,如非线性和近似线性方法,收敛于快速维度独立的当在解决方案的恒定相对误差内初始化时。此外,非光滑配方自然可以抵抗异常值。我们的框架包括诸如相位检索,盲解卷积,二次检测,矩阵完成和稳健PCA等重要的计算任务。关于这些问题的数值实验说明了所提出方法的好处。
translated by 谷歌翻译
在本文中,我们提出了Spatio-TEmporal Progressive(STEP)动作检测器---一种用于视频中时空动作检测的渐进式学习框架。从一些粗略的提议长方体开始,我们的方法逐步完善了针对几步行动的提案。以这种方式,通过利用先前步骤的回归输出,可以在后面的步骤中逐步获得高质量的提议(即,遵守动作运动)。在每一步,我们都会及时自适应地扩展提案,以纳入更多相关的时间背景。与先前在一次运行中执行动作检测的工作相比,我们的渐进式学习框架可以自然地处理动作管内的空间位移,因此为时空建模提供了更有效的方法。我们对UCF101和AVA的方法进行了广泛的评估,并展示了更好的检测结果。值得注意的是,我们通过3个渐进步骤实现了mAP分别为75.0%和18.6%,并且分别仅使用了11和34个初始提案。
translated by 谷歌翻译
传统的识别方法通常需要大量的人工平衡训练课程,而少数人学习方法则需要在人工小型训练课程中进行测试。与两种极端情况相反,现实世界的识别问题表现出重尾类分布,杂乱的类型以及粗粒度和细粒度级别区别的混合。我们表明,基于新的“meta-iNat”基准测试,针对少数镜头学习而设计的优先方法在具有挑战性的条件下无法开箱即用。我们引入了三个无参数的改进:(a)基于使交叉验证适应元学习的更好的训练程序,(b)在分类之前使用有限的边界框注释来定位对象的新颖架构,以及(c)基于特征空间的简单无参数扩展。关于双线性池。总之,这些改进使meta-iNat上最先进的模型的准确性翻倍,同时推广到先前的基准,复杂的神经架构和具有实质域移位的设置。
translated by 谷歌翻译
本文提出了一个新的任务,即视频中时空识别描述的基础。以前的工作表明现有数据集中存在潜在偏差,并强调需要新的数据创建模式以获得更好的模型结构。我们引入了一种基于表面实现的语法约束的新数据采集方案,使我们能够研究视频中基础时空识别描述的问题。 Wethen提出了一个双流模块化注意网络,该网络基于外观和运动来学习和发现时空识别描述。通过模块化神经网络解决模块之间的任务干扰,可以看出运动模块有助于解决与运动相关的单词,并且还有助于在外观模块中使用。最后,我们提出了一个未来的挑战,并且需要一个强大的系统,这个系统来自用自动视频对象检测器和时间事件定位替换地面真实视觉注释。
translated by 谷歌翻译
由于复杂的空间和时间模式,准确的出租车需求 - 供应预测是ITS(智能交通系统)的一个具有挑战性的应用。在出租车需求 - 供应预测的背景下,我们研究了不同空间划分技术对LSTM(长短期记忆)网络的预测性能的影响。我们考虑两种方案:(i)可变大小的Voronoi曲面细分,以及(ii)固定大小的Geohash曲面细分。虽然广泛使用的ConvLSTM(卷积LSTM)可以对固定大小的Geohash分区进行建模,但标准卷积滤波器不能应用于可变大小的Voronoipartition。为了探索Voronoi曲面细分方案,我们建议使用GraphLSTM(基于图形的LSTM),通过在任意结构图上表示Voronoi空间分区asnodes。 GraphLSTM针对ConvLSTM提供了竞争优势,在较低的计算复杂度下,跨越三个实际的大型出租车需求供应数据集,具有不同的性能指标。为了确保在不同设置中的卓越性能,在ConvLSTM和GraphLSTMnetworks上应用了HEDGE基本集合学习算法。
translated by 谷歌翻译
精准医学领域旨在以可重复的方式基于患者特定因素定制治疗。为此,估计基于患者特征推荐治疗决策以最大化预定结果的平均值的最优个体化治疗方案(ITR)是特别令人感兴趣的。已经提出了几种方法用于从并行组设置中的临床试验数据估计最佳ITR,其中每个受试者被随机化为单一干预。然而,在从交叉研究设计估计最佳ITR的领域中已经做了很少的工作。这样的设计自然而然地为自己提供了精密医学,因为它们允许观察每个患者对多种治疗的反应。在本文中,我们介绍了一种使用来自2x2交叉研究的数据来预测最佳ITR的方法,该研究具有或没有遗留效应。提出的方法类似于政策检索方法,如结果加权学习;然而,我们利用交叉设计,利用每次治疗下的反应差异作为观察到的奖励。我们建立Fisher和全球一致性,进行数值实验,并分析来自饲养试验的数据,以证明与平行研究设计的标准方法相比,所提出的方法的改进性能。
translated by 谷歌翻译