Newest papers

A Multi-Agent Framework for Automated Machine Learning with Evidence-based Planning for Medical Image Analysis

Yiqing Shen, Mathias Unberath · 2026 · arXiv

DOI: 10.48550/arXiv.2610.28410 · open-access PDF

Russian

Глубокое обучение стало стандартным инструментом для анализа медицинских изображений, основанным на движении с открытым исходным кодом. Тем не менее, достижение наилучшей производительности на конкретную задачу остается трудным, при этом подбор архитектуры и оптимизация гиперпараметров (HPO) по-прежнему считаются «более искусством, чем наукой». Автоматическое машинное обучение (AutoML) автоматизирует части обучения моделям, но мало помогает в медицинской визуализации: подходы общего назначения не имеют медицинской архитектуры и предварительной обработки, а те, которые ориентированы на медицину, требуют инженерного опыта и остаются ограничены узкими задачами, такими как 3D-сегментация.

Machine translation (Meta M2M100); the English original follows.

Abstract

Deep learning has become the default tool for medical image analysis, driven by the open-source movement. However, achieving the best performance on a given task remains difficult, with architecture selection and hyperparameter optimization (HPO) still considered "more of an art than a science". Automated machine learning (AutoML) automates parts of model training, yet helps little in medical imaging: general-purpose approaches lack medical architectures and preprocessing, and medical-focused ones demand engineering expertise and remain confined to narrow tasks such as 3D segmentation. We intr

Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese

Sources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange