待验证50% 置信事实精确时间

该研究提出的框架结合了影像组学特征提取、广义可加模型（GAM）分类器和带标签条件化保证的交叉共形预测三个部分，用于甲状腺结节良恶性分类

1

来源数

50%

置信度

长期有效

时效性

2026/10/12

首次发现

来源

影像组学+共形预测：甲状腺结节良恶性分类新框架

涉及实体

影像组学concept 广义可加模型concept 交叉共形预测concept 甲状腺结节分类concept

相关事实

待验证研究团队从六个候选模型中选定了广义可加模型（GAM）作为分类器68% 相似待验证GAM 相比黑箱模型的优势在于可以可视化每个特征的形状函数，便于临床医生审查模型是否符合医学常识67% 相似待验证因果结构图将模型生成每个token时对前文各token的依赖关系提取出来，用有向无环图（DAG）形式呈现66% 相似待验证该研究系统性考察了三种将深度序列模型集成到时间序列保形预测的方式：条件分位数回归、条件分位数函数估计和局部化保形预测62% 相似待验证该研究将数据选择问题建模为高维回归场景，存在多个异质数据源，并采用加权岭回归估计器来融合这些来源62% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/1001605

API

curl https://kongchang.com/api/v1/knowledge/claims/1001605

MCP

get_claim(id=1001605)