痤疮诊断证据蒸馏模型

诊断证据驱动的痤疮分级

DED框架将训练数据的诊断证据蒸馏到学生网络,使痤疮严重程度分级在不同标准下均达到皮肤科医生水平。

Lin, Yi · Jiang, Jingchi · Chen, Dongxin · Ma, Zhaoyang · 关毅 · Xiguang, Liu · 尤海燕 · Yang, Jing

Expert Systems with Applications 2023

参数信息

准确率
86.06 %
准确率
67.56 %
精度
85.31 %
灵敏度
84.83 %
特异度
94.66 %
约登指数
79.48 %
精度
69.16 %
灵敏度
65.62 %

技术优势

跨标准通用

通过提炼不同痤疮标准的共性,将诊断问题统一为基于病灶类型和数量的分类,使模型不再受限于单一标准。

用上诊断证据

通过知识蒸馏将训练数据中才有的诊断证据引入诊断模型,新患者数据也能受益于这些证据。

达到医生水平

在两个数据集上的性能超越现有方法,达到皮肤科医生诊断水平。

应用场景