Loading...
Loading...

Seventy3:借助NotebookLM的能力进行论文解读,专注人工智能、大模型、机器人算法、crypto方向,让大家跟着AI一起进步。
如果你想要解读自己的论文,获得更多曝光度。请联系小助手微信:seventy3_podcast 加群。合作邮箱:zhiwudazhanjiangshi#gmail.com
EchoJEPA: A Latent Predictive Foundation Model for Echocardiography
Summary
超声心动图的基础模型通常难以从超声波固有的随机斑点噪声(Speckle)和采集伪影中分离出解剖信号。
我们提出了 EchoJEPA,这是一种在来自 30 万名患者的 1800 万份超声心动图上训练的基础模型,代表了迄今为止该领域最大的预训练语料库。通过利用潜变量预测目标(Latent Predictive Objective),EchoJEPA 学习到了能够忽略斑点噪声的稳健解剖表征。
我们使用一种新型的、基于冻结骨干网络的**多切面探测框架(Multi-view Probing Framework)**对其进行了验证。结果显示,EchoJEPA 在左心室射血分数(LVEF)估算方面优于领先的基准模型约 20%,在右心室收缩压(RVSP)估算方面优于基准模型约 17%。
此外,该模型表现出卓越的样本效率:仅使用 1% 的标注数据,其切面分类准确率即可达到 79%,而表现最好的基准模型在 100% 标注数据下的准确率仅为 42%。
至关重要的一点是,EchoJEPA 展示了优异的泛化能力。在受物理启发的人工声学扰动下,其性能仅下降了 2%,而竞争模型则下降了 17%。最引人注目的是,它在儿科患者上的**零样本(Zero-shot)**表现甚至超过了经过充分微调的基准模型。这证明了潜变量预测是构建稳健、泛化性强的医疗人工智能的卓越范式。
原文链接:https://arxiv.org/abs/2602.02603
No transcript available for this episode.

Seventy3