CHÚC MỪNG NHÓM SINH VIÊN LỚP TMĐT2024.2 CÓ BÀI BÁO ĐƯỢC CHẤP NHẬN TẠI HỘI NGHỊ QUỐC TẾ CLEF 2026 (SCOPUS)
CLEF 2026 (Conference and Labs of the Evaluation Forum) là hội nghị quốc tế về đánh giá các hệ thống truy xuất và truy cập thông tin, dự kiến được tổ chức tại Jena, Đức, từ ngày 21 – 24/09/2026.
CLEF là diễn đàn quốc tế dành cho các nhà nghiên cứu, chuyên gia và các nhóm nghiên cứu nhằm trình bày, đánh giá và so sánh các phương pháp, hệ thống trong lĩnh vực truy xuất thông tin, xử lý ngôn ngữ và các bài toán liên quan đến hiểu dữ liệu đa phương thức. Hội nghị đồng thời tổ chức nhiều chiến dịch đánh giá (evaluation campaigns), tạo môi trường nghiên cứu và thử nghiệm các phương pháp mới trên các bộ dữ liệu và bài toán thực tế.
Mã ISSN: 1613-0073
Nhà xuất bản: CEUR Workshop Proceedings (CEUR-WS)
Thông tin Hội nghị: https://www.clef-initiative.eu/
Tên bài báo: “UIT_Concabietbay at MEDIQA-CORE-Task-1 2026: Multimodal Embedding-Based Ensemble Learning for Brain Tumor Subtype Classification”
Sinh viên thực hiện:
- Nguyễn Minh Thời – MSSV: 24521720 – Lớp TMĐT2024.2
- Lưu Nhật Quang – MSSV: 24521469 – Lớp TMĐT2024.2
Giảng viên hướng dẫn: TS. Nguyễn Tất Bảo Thiện
Abstract: This paper describes the UIT_Concabietbay system submitted to MEDIQA-CORE-Task-1 2026, the ImageCLEF medical task on brain tumor subtype classification. The task requires subject-level prediction of three related targets: Level 1 molecular grouping, low-grade versus high-grade glioma status, and WHO grade. Our system treats the task as multimodal tabular learning over precomputed imaging embeddings rather than as end-to-end training from raw MRI volumes or whole-slide pathology images. MRI embeddings are converted into fixed-length subject representations by mean and standard-deviation pooling. Pathology slide embeddings are summarized with mean, standard deviation, maximum pooling, norm-based attention pooling, and robust mean pooling. The resulting modality-specific feature tables are merged by subject identifier and augmented with modality-availability indicators; missing numeric features are handled inside model pipelines with median imputation and missingness indicators. For each target, we evaluate a classical machine-learning model zoo including regularized logistic regression, PCA-logistic regression, calibrated linear models, support-vector machines, random forests, extra trees, histogram gradient boosting, multilayer perceptrons, and optional gradient-boosting libraries. Model selection is based on out-of-fold macro-F1, with greedy probability blending, optional stacking, and conservative threshold tuning for the binary target. In the organizer post-verification spreadsheet, our strongest verified Test Set 1 average macro-F1 was 0.769 under the fully multimodal and MRI-plus-pathology conditions, while our strongest Test Set 2 average was 0.547 under the MRI-images-only and MRI-images-plus-reports conditions. A separate all-modality leaderboard score of 0.866 was obtained before organizer code verification and is reported only as pre-verification feedback.
