跳到正文
热点事件持续更新

咳嗽声TB筛查模型跨数据集评估表现不佳

1 篇报道1 个报道来源2 小时前更新

先了解这件事

AI 综述

Wensi Zhang 等在 arXiv 发表系统性跨数据集评估,用三个独立数据集测试经典机器学习与深度学习咳嗽肺结核(TB)分类模型,发现模型在同一数据集内 ROC-AUC 最高 0.76±0.06,但在外部数据上经常低于 0.6,无法泛化。 研究认为,音频表示按录音设备和数据集而非 TB 状态聚类,采集相关的声学差异是泛化差的主因;相比之下,临床变量基线反而泛化更稳定(ROC-AUC 0.65–0.71)。作者指出此类模型在临床落地前必须做外部验证。

AI 根据报道生成 · 29 分钟前更新

报道时间线

沿着报道,了解事件的不同侧面。

11月18日
  1. arXiv cs.AI
    为什么基于机器学习的咳嗽模型难以泛化:肺结核筛查的系统性跨数据集评估

    一项系统性跨数据集研究评估了经典机器学习与深度学习咳嗽肺结核(TB)分类器在三个独立数据集上的泛化能力。模型集内 ROC-AUC 最高为 0.76±0.06,但外部测试常低于 0.6,且音频表示按录音设备和数据集而非 TB 状态聚类;临床变量基线反而泛化更稳定(ROC-AUC 0.65–0.71)。研究认为采集相关的声学差异是泛化差的主因,临床落地前必须做外部验证。

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。