Prov-GigaPath

Modèle de base de diapositive entière pour l'analyse de la pathologie numérique à partir de données du monde réel.

Produit OrdinaireÉducationPathologie numériqueRecherche en IA

Prov-GigaPath est un modèle de base de diapositive entière pour la recherche en pathologie numérique, entraîné sur des données du monde réel. Il vise à soutenir les chercheurs en IA dans leurs recherches sur les modèles de base en pathologie et le codage des données de lames de pathologie numérique. Développé par plusieurs auteurs et publié dans la revue Nature, il n'est pas destiné aux soins cliniques ou à la prise de décisions cliniques et est réservé à un usage de recherche.

Prise en charge de l'exécution sur des machines NVIDIA A100 Tensor Core GPU.
Téléchargement du modèle pré-entraîné et du code disponibles.
Accès au modèle Prov-GigaPath sur HuggingFace Hub.
Intègre un encodeur de tuiles et un encodeur de lames pour extraire respectivement les motifs locaux et produire une représentation au niveau de la lame.
Fournit un notebook de démonstration détaillé expliquant comment exécuter le modèle pré-entraîné.
Fournit des embeddings pré-extraits des ensembles de données PCam et PANDA pour faciliter les expériences de réglage fin.
Fournit un lien de téléchargement de données d'échantillon pour des recherches et analyses plus poussées.

Le public cible est composé de chercheurs en IA et d'universitaires du domaine de la pathologie numérique ayant besoin d'un modèle puissant pour analyser et comprendre de grandes quantités de données pathologiques afin de faire progresser la recherche médicale et les techniques de diagnostic.

Des chercheurs ont utilisé le modèle Prov-GigaPath pour analyser des données de pathologie
publiant leurs résultats dans la revue Nature.
Des facultés de médecine utilisent ce modèle pour l'enseignement et la recherche
améliorant ainsi la compréhension de la pathologie numérique chez les étudiants.
Des chercheurs hospitaliers utilisent ce modèle pour l'analyse automatisée de lames de pathologie

Télécharger et installer les outils CUDA et l'environnement Python nécessaires.
Télécharger le modèle et le code Prov-GigaPath à partir du dépôt GitHub.
Accéder à HuggingFace Hub et accepter les conditions d'utilisation pour obtenir l'accès au modèle.
Configurer les variables d'environnement selon les instructions fournies afin d'éviter les erreurs d'accès.
Exécuter le notebook de démonstration fourni pour comprendre les utilisations de base du modèle.

Ouvrir le site Web

Prov-GigaPath Dernière situation du trafic

Nombre total de visites mensuelles

474564576

Taux de rebond

36.20%

Nombre moyen de pages par visite

6.1

Durée moyenne de la visite

00:06:34

Prov-GigaPath Tendance des visites

Prov-GigaPath Distribution géographique des visites

Prov-GigaPath Sources de trafic

Prov-GigaPath Alternatives

Prov-GigaPath — Modèle de base de diapositive entière pour l'analyse de la pathologie numérique à partir de données du monde réel.

Éducation

Best AI Websites & Tools

Prov-GigaPath

Prov-GigaPath Dernière situation du trafic

Prov-GigaPath Tendance des visites

Prov-GigaPath Distribution géographique des visites

Prov-GigaPath Sources de trafic

Prov-GigaPath Alternatives

Prov-GigaPath — Modèle de base de diapositive entière pour l'analyse de la pathologie numérique à partir de données du monde réel.

MLGym — MLGym est un nouveau framework et une nouvelle référence pour faire progresser les agents de recherche en IA.

kg-gen — Outil d'intelligence artificielle pour extraire les graphes de connaissances de n'importe quel texte.

Steev — Steev est un outil optimisant l'entraînement des modèles d'IA, aidant les utilisateurs à améliorer l'efficacité de l'entraînement et les performances du modèle.

Kolosal AI — Outil d'entraînement et de déploiement de modèles d'IA en local, prenant en charge l'entraînement personnalisé et l'utilisation multiplateforme.

Pensées Ouvertes — Un projet communautaire axé sur la compilation des meilleurs ensembles de données d'inférence open source.

RWKV-6 Mélange d'Experts — Le plus grand modèle de la famille RWKV, utilisant la technique MoE pour améliorer l'efficacité.

E2M — Bibliothèque Python convertissant divers types de fichiers au format Markdown

Prime — Framework d'entraînement de modèles d'IA distribués globalement et hautement performant

CHIEF — Modèle de base pour l'évaluation de l'imagerie histopathologique clinique

MM1.5 — Optimisation et analyse d'un grand modèle linguistique multi-modal

Flux Gym — Interface utilisateur (UI) simple pour l'entraînement de FLUX LoRA, compatible avec les configurations à faible VRAM.

Boîte à outils vocale Easy Voice — Boîte à outils vocale IA déployable localement, prenant en charge la reconnaissance vocale, la transcription et la conversion.

Civita Green — Plateforme de création et de partage de modèles d'art IA

ai-toolkit — Ensemble de scripts IA, principalement utilisés pour le modèle Stable Diffusion.

x-flux — Ensemble de scripts d'entraînement de modèles d'apprentissage profond

GRUtopia — Plateforme d'interaction de simulation robotique dans des environnements urbains à grande échelle.

DCLM — Framework complet pour la construction et l'entraînement de grands modèles de langage

Prime Intellect — Plateforme de démocratisation de la mise à l'échelle du développement de l'IA

EVE — Modèle visuel-linguistique sans encodeur, efficace et piloté par les données.

CoreNet — CoreNet est une bibliothèque destinée à l'entraînement de réseaux neuronaux profonds.

LlamaParse — Outil d'analyse pour LLAMA

DataDreamer — Outil de génération de données synthétiques, d'entraînement et d'alignement de modèles.

V-JEPA — Une étape décisive vers une intelligence artificielle avancée

AXLearn — Framework d'apprentissage profond unifié

Datasaur — Plateforme d'annotation de données NLP

Arche de Feu — Un écosystème de grands modèles ouverts, moteur d'un avenir intelligent

Data Sherlock — Libérez le potentiel de vos données grâce à votre IA générative personnelle

Create ML — Framework d'entraînement de modèles d'apprentissage automatique officiel d'Apple

Cerebrium — Framework d'apprentissage automatique pour la construction et le déploiement de modèles d'IA