文章预览
https://hdl.handle.net/11245.1/595f9cb7-1e44-4775-989f-f08e9897afe6 这篇论文重新审视了深度学习的基本组成部分，并评估了其在医学图像分析中的应用 。论文指出，深度学习在该领域存在三大主要挑战：专家知识的整合、未标记数据的利用和预测不确定性的估计。论文的结构分为几个部分，分别解决这些挑战。 在第一部分，论文介绍了一种新的深度学习模型，该模型通过旋转-反射等变性整合专家知识，以提高医学影像任务的准确性和鲁棒性，特别是在组织病理学切片中转移性组织的检测上。所提出的模型优于传统的卷积神经网络（CNN）架构，并且对输入扰动表现出鲁棒性。接下来，论文探讨了如何激励深度学习社区关注现实世界的医学问题，提出了PCam数据集，该数据集来源于Camelyon16挑战赛。PCam数据集的结构类似于常见的深度学习基准测试，证明了在该数据
………………………………
