EvoDiff：生成式主动学习降低超声诊断标注量最高 84%
原文标题：Generative Active Learning for Label-Efficient Pan-Organ Ultrasound Diagnosis
重要度 3/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
研究者提出 EvoDiff，将扩散模型与信息论目标、进化搜索和课程采样结合，把样本选择转化为「生成—检索」过程，仅标注被合成探针检索到的真实样本。在覆盖 15 个数据集、16,696 张图像的六个基准上，该方法以更少标签逼近全监督性能，六名放射科医生参与的读者研究估计可减少 24%-84% 标注工作量。
- 问题
- 医学超声数据稀缺、专家标注昂贵且跨中心泛化差。
- 方法
- EvoDiff 把样本选择变成生成—检索过程：扩散模型在特征空间生成合成探针，只标注被检索到的真实样本。
- 结果
- 六个基准、15 个数据集、16,696 张图像上以更少标签逼近全监督；六名放射科医生读者研究估计减少 24%–84% 标注量。
- 影响
- 显著降低医学影像标注成本并改善跨域泛化，可直接用于超声 AI 的数据标注流程。
深读 · 结论先行AI 生成展开看要点与影响 ↓
EvoDiff 用扩散生成探针检索样本，六名放射科医生研究估计可减少 24%–84% 超声标注工作量。
- •把样本选择转化为「生成—检索」：扩散模型在特征空间生成合成探针，只标注被检索到的真实样本。
- •结合信息论目标、进化搜索与课程采样，应对异构超声数据集。
- •评测覆盖六个基准、15 个数据集、16,696 张图像，含卷积网络与 Transformer 基础模型。
- •在未见队列的跨域外部验证中改善基础模型泛化。
为什么重要：医学影像标注是主要成本瓶颈，若 24%–84% 的减量在真实流程中成立，将直接影响数据标注预算分配。
以上深读由 AI 依据标题/摘要/正文节选生成，仅供参考；事实以原文为准。
AI 处理过程展开/收起
相关推荐
OpenAI 宣布数学、计算机科学、物理学三项新发现
AI 摘要OpenAI 宣布在调和分析、复杂性理论和量子场论三个方向取得新发现，并采用与学术界合作的新方法。公司邀请外部专家组织团队理解研究结果，参与者无需签署保密协议、可自由讨论并发表结论，且为自愿无报酬。OpenAI 表示不会为内部模型产生的发现寻求学术署名。
数学家称需数年消化 OpenAI 最新数学成果
AI 摘要OpenAI 本周突然发布近 400 项 AI 生成的数学成果，分布在 700 多份手稿中，覆盖组合数学、几何、数论等多个领域。多位数学家表示「震惊」「难以置信」，认为仅理解这些成果就需数年，且验证程度参差不齐。
OpenAI 公布数学难题突破成果
AI 摘要OpenAI 发布由未公开前沿模型生成的 722 篇数学手稿，覆盖 372 个成果族，声称解决了数百个长期未解问题，并公开 Lean 形式化证明与算力估算。此举延续了 AI 冲击数学界的势头，也引发研究伦理与学术规范的争议。独立顾问组织 AGMAI 呼吁实验室通过正规学术渠道发布成果，而非将其当作营销工具。
OpenAI 再抛数学突破成果引争议
AI 摘要OpenAI 公布 722 篇手稿，称未发布的前沿模型解决了数百个数学开放问题，平均每个结果消耗约三小时 ChatGPT Pro 级算力。成果虽令人震撼，但数学界对发布方式、研究伦理与学术规范提出质疑。AGMAI 建议实验室及时通过正规渠道披露模型、提示词与算力成本，避免把成果当作营销手段。