医学 AI

Multi-View Stenosis Classification Leveraging Transformer-Based Multiple-Instance Learning Using Real-World Clinical Data

多视角狭窄分类：基于变换器的多实例学习方法利用真实世界临床数据

Nikola Cenikj, Özgün Turgut, Alexander Müller, Alexander Steger, Jan Kehrer, Marcus Brugger, Daniel Rueckert, Eimo Martens, Philip Müller

机构 * Chair for AI in Healthcare and Medicine, Technical University of Munich (TUM) and TUM University Hospital（人工智能在医疗与健康中的chair，慕尼黑技术大学及慕尼黑技术大学医院） ； Department of Computing, Imperial College London, UK, and Munich Center for Machine Learning (MCML)（计算系，伦敦帝国学院，英国，以及慕尼黑机器学习中心） ； Department of Internal Medicine, TUM University Hospital（内科系，慕尼黑技术大学医院） 纠错

专题命中 临床大模型 ：diagnosis(abstract)；分类 cs.CV

AI总结 本文提出SegmentMIL，一种基于变换器的多视角多实例学习框架，利用真实世界临床数据实现患者级别的冠状动脉狭窄分类，无需视图级注释，有效提升诊断性能。