知识卡片

普通读书笔记卡 · 3788.q.2.e · 生成模型:未记录

评价指标绑定具体任务

理解等级:中级

医学影像性能数字必须与任务、测试集和指标一起理解。书中肺癌比较表报告的是ROC曲线下面积,回答模型区分特定两类组织的排序能力,而非患者最终获益或所有诊断的准确率。把一个数据集中的领先推广到其他医院、人群或临床终点,需要新的验证;类别比例、错误代价与工作流程也不能从单个汇总指标中读出。

这张卡片看不懂?

已有反馈 · 0 条

    还没有人提交反馈。

    在整书笔记中的位置

    原书出处 · 1 处

    • 人工智能的新时代 从测试集领先到临床有效 · 查看原书依据

      该表显示了用于区分肺腺癌与邻近致密良性组织、肺鳞状细胞癌与邻近致密良性组织以及肺腺癌与肺鳞状细胞癌的分类器的接受者操作特征的曲线下面积。 卷积神经网络为什么能在医学成像任务中达到甚至超过人类水平?是什么让卷积神经网络广受关注?卷积神经网络能

    参考来源

    - 位置:《人工智能与计算生物的未来 (【美】布赖恩·希尔布什)》人工智能的新时代,从测试集领先到临床有效(源项目a19c7933-4eda-4176-aebd-30fe7e1ad292,源文件:extracted/人工智能与计算生物的未来 (【美】布赖恩·希尔布什)/_epub-src/EPUB/xhtml/Section03.xhtml) - 结论依据:原文对该概念的说明、比较或案例支撑本卡解释;历史案例不等于当前临床有效性或监管认可。已经核验的边界与书中陈述分开。 - 原始内容:该表显示了用于区分肺腺癌与邻近致密良性组织、肺鳞状细胞癌与邻近致密良性组织以及肺腺癌与肺鳞状细胞癌的分类器的接受者操作特征的曲线下面积。 卷积神经网络为什么能在医学成像任务中达到甚至超过人类水平?是什么让卷积神经网络广受关注?卷积神经网络能