Konvoluutioneuroverkot aivokasvainten magneettikuvauksessa
Why this work is in the frame
A frame that forgets how it found something cannot be audited. These are the routes that admitted this work.
Bibliographic record
Abstract
Tekoälyn käyttäminen osana lääketiedettä kasvaa jatkuvasti. Syväoppimiseen perustuvat konvoluutioneuroverkot tarjoavat muita tekoälymenetelmiä tehokkaamman ja tarkemman tavan esimerkiksi lääketieteellisten kuvien tulkintaan. Tämä tutkielma on kirjallisuuskatsaus, jonka tarkoituksena on perehtyä konvoluutioneuroverkkojen käyttöön magneettikuvien analysoinnissa ja aivokasvainten tunnistamiseen magneettikuvista eri konvoluutioneuroverkkoihin perustuvien arkkitehtuurien avulla. Konvoluutioneuroverkot ovat laskennallisia tiedon käsittelyn malleja, jotka perustuvat ihmisaivojen rakenteeseen ja matemaattiseen konvoluutioon. Konvoluutioneuroverkot sopivat hyvin analysoimaan esimerkiksi aivojen magneettikuvia ja tunnistamaan magneettikuvasta kasvaimen. Magneettikuvaus on kehossa olevien vety-ytimien protoneiden kvanttimekaanisiin ominaisuuksiin perustuva menetelmä, jolla saadaan tarkkoja kuvia esimerkiksi aivojen kudoksista. Magneettikuvan käsittely konvoluutioneuroverkossa tapahtuu sen kerrosten ja luokittelijoiden ominaisuuksien avulla. Tutkielmassa käsitellyt konvoluutioneuroverkkojen arkkitehtuurit, EfficientNet, HTTU-Net ja GoogLeNet, onnistuvat kaikki analysoimaan aivojen magneettikuvan ja tunnistamaan siitä aivokasvaimen.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.000 | 0.000 |
| Meta-epidemiology (narrow) | 0.000 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.090 | 0.020 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from it