基于置信度的持续疾病分类任务预测与概率分布
原文中文，约400字，阅读约需1分钟。发表于：。深度学习模型在识别医学影像疾病分类方面被广泛认可，然而在动态和不断变化的临床环境中，持续学习的需求变得尤为重要，以适应不断涌入的来自不同来源的医学数据，并确保医疗数据的隐私。在本研究中，我们强调利用由专家分类器组成的网络，每次引入新任务时添加新的专家分类器。我们提出了 CTP，一种利用置信分数的任务 ID 预测器，利用分类器的概率分布（logits）在推断时准确确定任务...
深度学习模型在医学影像疾病分类方面被广泛认可。本研究提出了一种利用置信分数的任务ID预测器，通过添加新的专家分类器来适应临床环境的变化。CTP方法在持续学习中表现出更好的性能。
