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
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
我们采用三重态损耗作为空间嵌入正则化器来提升分类性能。标准体系结构(如ResNet和DesneNet)经过扩展,可通过最少的超参数调整来支持这两种损耗。这可以在调整预训练网络的同时提高通用性。三胞胎损失是最近提出的嵌入正则化器的强有力的替代品。然而,它适用于大批量需求和高计算成本。通过实验,我们重新评估这些假设。在推理期间,我们的网络支持分类和嵌入任务,没有任何计算开销。定量评估突出显示我们的方法在多个细粒度识别数据集上优于现有技术水平。对不平衡视频数据集的进一步评估实现了显着的改进(> 7%)。除了提高效率,三重态损失带来了检索和解释性的分类模型。
translated by 谷歌翻译
我们将视觉检索视为回归问题,将三联体损失视为回归损失。这使得能够在检索中使用丢失作为贝叶斯近似框架来进行认知不确定性估计。因此,利用蒙特卡罗(MC)采样来提高检索性能。我们的方法在两个应用中进行评估:人员重新识别和自动驾驶汽车。在多个数据集上为表演者应用程序实现了可比较的最新结果。我们利用本田驾驶数据集(HDD)进行自动驾驶应用。它提供了多种形式和相似性概念前动作动作理解。因此,我们提出了一种多模态条件检索网络。它将嵌入解嵌到单独的表示中以对不同的相似性进行编码。这种形式的联合学习消除了培训多个独立网络的需要,而没有任何性能下降。定量评估突出了我们的方法能力,在高度不确定的环境中实现了6%的改进。
translated by 谷歌翻译
在本文中,我们提出了一种解释深度学习模型的新方法。更确切地说,通过将互信息与网络科学相结合,我们探索信息如何通过前馈网络流动。我们通过Kullback-Leibler分歧的双重表示显示出足够近似的互信息,这使得我们可以创建一个信息度量,用于量化在一个加深学习模型的任何两个神经元之间流动的信息量。为此,我们提出了NIF,神经信息流,一种用于编码信息流的新方法,它在提供特征归因的同时暴露了深度学习模型的内部。
translated by 谷歌翻译
许多具有挑战性的图像处理任务可以通过一个不合理的线性逆问题来描述:去模糊,去卷积,修复,压缩传感和超分辨率都在这个框架中。传统的反向解算器最小化了由数据拟合项组成的成本函数,该数据拟合项用于测量图像与观察结果的匹配程度,以及正则化器,其反映先验知识并促进具有期望属性的图像。机器学习和图像处理方面的最新进展表明,通常可以从训练数据中学习一个能够胜过更传统的正规化器的正规化器。我们提出了一种端到端的数据驱动方法,用于解决受Neumann系列启发的逆问题,我们将其称为Neumann网络。我们不是展开迭代优化算法,而是截断Neumann序列,它直接用数据驱动的非线性正则化器解决线性逆问题。 Neumann网络体系结构优于传统的反问题解决方法,无模型深度学习方法,以及标准数据集上最先进的展开迭代方法。最后,当图像属于子空间的并集并且在前向模型的适当假设下,我们证明存在Neumann网络配置,该结构很好地逼近逆问题的最优估计,并且凭经验证明训练的Neumann网络具有理论预测的形式。 。
translated by 谷歌翻译
结构磁共振成像(MRI)的全脑分割对于理解神经解剖学 - 功能关系是必不可少的。传统上,多图谱分割已被认为是全脑分割的标准方法。在过去的几年中,深度卷积神经网络(DCNN)分割方法已经证明了它们在精度和计算效率方面的优势。最近,我们提出了空间局域化的图谱网络拼贴(SLANT)方法,该方法能够将3D MRI脑部扫描分成132个解剖区域。通常,DCNN分段方法在外部验证下会产生较差的性能,尤其是在训练组中没有呈现测试模式时。最近,我们使用7种不同的MRI方案,在395名患者身上获得了临床获得的多序列MRI脑部队,其中1480例临床获得,去识别脑MRI扫描。此外,每个受试者至少有两次来自不同MRI方案的扫描。在这里,我们评估SLANT方法的协议内和协议间重现性。对于方案内实验,SLANT实现了小于0.05的变异系数(CV),对于方案间实验,SLANT小于0.15 CV。结果表明,SLANT方法具有较高的协议内和协议间重现性。
translated by 谷歌翻译
盲解卷积问题试图从一组双线性测量中恢复一对矢量。我们考虑问题的自然非光滑公式,并表明在标准统计假设下,其弱凸性,清晰度和Lipschitz连续性的模量都是维度独立的。即使多达一半的测量值被噪声破坏,这种现象仍然存在。因此,当在解决方案的恒定相对误差内初始化时,标准算法(例如,子梯度和近线性方法)以快速维度独立的方式收敛。然后,我们用新的初始化策略完成了论文,补充了本地搜索算法。初始化过程既可以证明是有效的,也可以用于边远测量。数值实验,模拟和实际数据,说明了发达的理论和方法。
translated by 谷歌翻译
Heap's Law指出,在一个足够大的文本语料库中,作为令牌功能的类型数量增长为$ N = KM ^ \ beta $,对于一些免费参数$ K,\ beta $。已经写了关于这个结果和各种各样的结果一般化可以从Zipf定律得出。在这里,我们从第一原理推导出类型 - 标记曲线的完全低级表达,并证明其在真实文本上的高度准确性。这个表达式自然地推广到计算hapaxes和更高$ n $ -legomena的同样准确的估计。
translated by 谷歌翻译