L'apprendimento multiplo di istanze basato su grafi migliora la diagnosi delle lesioni cutanee

Uno studio recente disponibile su arXiv (2608.06037) introduce un framework relazionale a due livelli volto a migliorare la classificazione delle immagini, con particolare attenzione alla diagnosi delle lesioni cutanee. L'indagine inizia con una baseline EfficientNetB3 e utilizza un approccio basato su patch tramite un autoencoder mascherato convoluzionale per scoprire connessioni implicite tra patch attraverso la ricostruzione auto-supervisionata. Per aggiungere una modellazione relazionale esplicita, gli embedding risultanti vengono strutturati in diverse configurazioni di grafi, come quelli basati su griglia, casuali e k-nearest neighbor. I test condotti sui dataset ISIC-2018 e ISIC-2019 rivelano che la fusione della modellazione implicita tra patch con il passaggio di messaggi esplicito basato su grafi ottiene risultati ottimali. La ricerca sottolinea l'importanza dei bias induttivi relazionali nella comprensione delle dipendenze strutturali, suggerendo che la combinazione di bias impliciti ed espliciti può migliorare notevolmente la precisione diagnostica nell'imaging medico.