Europe PMC · 创面修复文献· Choi YH, Yoon I, No E, Mun JS, Lee B, Ko E, Kim HY, Kang J, Kim C, Shin SH.·· 7 天前精选AI 评分76
压力性损伤分期深度学习模型的跨数据集可靠性：六种架构的外部验证与预测错误分析
Cross-Dataset Reliability of Deep Learning Models for Pressure Injury Staging: a Multiarchitecture Evaluation and Prediction-Error Analysis.
AI 导读
这项压力性损伤图像分期模型研究发现，六种卷积神经网络及Transformer架构在跨数据集验证时性能下降，且没有一种架构在外部验证中始终优于其他架构。研究经重复图像筛查等数据整理后，纳入PIID的1081张、HUMC的1844张及Kaggle的141张图像，在PIID或HUMC上训练后直接进行内部和外部验证，不额外微调或调整阈值；主要结局为宏平均F1分数的内外部泛化差距。
推荐理由
研究以三个压力性损伤图像数据集检验六种模型，揭示外部验证性能下降及分期高估、低估方向随数据集变化的特点。
来源：Europe PMC · 创面修复文献 · pubmed.ncbi.nlm.nih.gov