arXiv · 30.07.2026 ·Машинное обучение

ScaFE: новый метод классификации патологических рубцов с помощью LLM-программ

Исследователи представили ScaFE — метод классификации келоидных и гипертрофических рубцов по фотографиям, решающий проблему нехватки размеченных данных. Вместо обучения тяжелых end-to-end моделей, система использует LLM для генерации программ, которые извлекают клинические признаки из изображений. Это позволяет достичь высокой точности при ограниченной выборке и соблюсти требования безопасности данных, исключая передачу снимков во внешние облачные VLM.

Традиционные подходы к анализу медицинских изображений требуют огромных массивов данных, которые сложно собрать из-за различий в протоколах съемки в разных клиниках. ScaFE меняет парадигму: вместо того чтобы заставлять нейросеть «учить» визуальные особенности с нуля, система использует LLM для написания кода, который выполняет конкретные операции обработки изображений. Это делает процесс принятия решений прозрачным и интерпретируемым для врачей.

Такой подход позволяет локально обрабатывать конфиденциальную информацию, что критически важно для медицинских учреждений. Метод демонстрирует устойчивость к вариативности качества снимков и освещения, что часто становится препятствием для внедрения ИИ в клиническую практику. Использование программного подхода к извлечению признаков снижает зависимость от дорогостоящей ручной разметки экспертами-дерматологами.

Ключевые факты

ScaFE использует LLM для генерации программ обработки изображений, что исключает необходимость отправки данных во внешние облачные сервисы.
Метод направлен на классификацию келоидных и гипертрофических рубцов, где визуальные различия минимальны, а доступ к экспертной разметке ограничен.
Архитектура позволяет обходить проблему «черного ящика» end-to-end моделей, предоставляя интерпретируемые клинические признаки.
Система демонстрирует высокую эффективность в условиях неоднородности данных, полученных из разных медицинских центров.

Источник: arXiv

Обсудить с ИИ

Похожие материалы

arXiv · Исследования и наука TRCGL-Net: новый подход к классификации редких патологий на рентгеновских снимках Исследователи представили архитектуру TRCGL-Net для многоклассовой классификации рентгеновских снимков грудной клетки. Модель решает проблему дисбаланса данных, характерную для медицинской диагностики, где редкие заболевания представлены недостаточно. Система использует генеративную аугментацию и моделирование совместной встречаемости меток, что позволяет повысить точность распознавания патологий, которые ранее игнорировались алгоритмами из-за их низкой частотности в обучающих выборках. Hacker News · ИИ в бизнесе Кейс использования Claude Code для анализа медицинских изображений Разработчик Антуан Блондо применил инструмент Claude Code для интерпретации результатов собственного МРТ-сканирования. Используя возможности модели Claude 3.5 Sonnet, он автоматизировал процесс анализа DICOM-файлов, сопоставив полученные данные с медицинскими справочниками. Результат показал высокую точность в выявлении патологий, что подчеркивает потенциал агентных систем в поддержке принятия врачебных решений и первичной диагностике. arXiv · Исследования и наука Новый метод пространственной нормализации для сегментации слоев сетчатки на снимках ОКТ Исследователи представили метод пространственной нормализации для сегментации слоев сетчатки на снимках оптической когерентной томографии (ОКТ). Подход решает проблему вариативности данных и низкого контраста, возникающих при работе с изображениями от разных производителей оборудования. Технология повышает точность извлечения биомаркеров, что критически важно для ранней диагностики нейродегенеративных заболеваний и мониторинга состояния пациентов в клинической практике. arXiv · Исследования и наука ClinFusion: мультимодальная модель для комплексного анализа медицинских изображений Исследователи представили ClinFusion — специализированную мультимодальную языковую модель (MLLM), разработанную для глубокого анализа медицинских данных. Система ориентирована на обработку гетерогенных 2D и 3D изображений, что позволяет ей интерпретировать сложные клинические случаи. Архитектура модели направлена на повышение точности диагностики и соответствие стандартам работы практикующих радиологов, обеспечивая высокую фактологическую достоверность ответов при интерпретации визуальной медицинской информации. arXiv · Исследования и наука Метод Token-Sparse для улучшения медицинской диагностики в мультимодальных моделях Исследователи представили метод обучения мультимодальных моделей (VLM), оптимизированный для анализа медицинских изображений. Новый подход использует двухпотоковое обучение с подкреплением (RL) для динамической фильтрации визуальных токенов. Это позволяет модели игнорировать нерелевантные области снимка и фокусироваться на критически важных признаках, что значительно повышает точность клинических решений в условиях дефицита визуальных данных. arXiv · Машинное обучение Безопасное федеративное обучение для анализа клинических данных ЭЭГ Исследователи представили новый фреймворк для федеративного обучения, предназначенный для работы с чувствительными данными электроэнцефалографии (ЭЭГ). Система использует механизм безопасной агрегации на основе маскирования, что позволяет нескольким медицинским учреждениям совместно обучать модели, не обмениваясь исходными записями пациентов и минимизируя риск утечки конфиденциальной информации через обновления градиентов. arXiv · Исследования и наука CPAgents: автоматизация поиска кардиологических фенотипов с помощью ИИ-агентов Исследователи представили CPAgents — агентную систему для генерации композитных фенотипов, позволяющую выявлять сложные связи между данными кардиологической визуализации и клиническими заболеваниями. В отличие от традиционных методов, опирающихся на заранее заданные переменные, этот подход автоматически формирует многомерные признаки, лучше улавливая нелинейные эффекты и повышая точность стратификации сердечно-сосудистых рисков в масштабных популяционных исследованиях. arXiv · ИИ в бизнесе Гибридный подход к сегментации легочных узлов с помощью ИИ Исследователи представили методику совместной работы человека и нейросетей для анализа медицинских изображений, в частности, сегментации легочных узлов. Основная проблема текущих систем заключается в дефиците квалифицированных радиологов, способных проверять результаты работы алгоритмов, а также в рисках слепого доверия автоматизированным решениям. Авторы работы предлагают модель взаимодействия, в которой ИИ-инструменты дополняются участием менее опытных специалистов или даже сотрудников без профильного медицинского образования для верификации данных. arXiv · Исследования и наука Новый метод обучения моделей для анализа КТ-снимков с учетом анатомических деталей Исследователи представили метод Anatomy Contextualized Adaption (ACA) для улучшения работы мультимодальных моделей в радиологии. Традиционные подходы к обучению на КТ-снимках часто используют представление всего объема данных, что приводит к потере мелких анатомических деталей. Новый подход позволяет эффективно совмещать глобальный контекст изображения с локальными признаками конкретных органов, повышая точность диагностики и интерпретации медицинских данных. arXiv · Машинное обучение Автоматизация классификации опухолей в онкологических реестрах с помощью MIL Исследователи представили метод обучения моделей на основе Multiple Instance Learning (MIL) для классификации групп опухолей в патологоанатомических отчетах. Решение позволяет эффективно использовать данные онкологических реестров, где экспертные метки привязаны к пациенту, а не к конкретным фрагментам текста, что решает проблему дефицита размеченных на уровне отчетов данных для обучения глубоких нейросетей.

← Все материалы