Metaaprendizaje con actualización de consultas sin etiquetas y aprendizaje de consistencia para la clasificación de...

Área de la Ciencia:

• Oftalmología
• Imágenes médicas
• Inteligencia artificial

Sus antecedentes:

• Las redes neuronales profundas (DNN) son vitales para el diagnóstico de enfermedades comunes de la retina mediante tomografía de coherencia óptica (OCT).
• El diagnóstico de enfermedades raras de la retina con DNNs es un desafío debido a la insuficiencia de datos de entrenamiento.
• El aprendizaje de pocos disparos basado en metaaprendizaje ofrece una solución para escenarios con escasez de datos.

Objetivo del estudio:

• Desarrollar un nuevo algoritmo para la clasificación de imágenes OCT de pocas tomas.
• Abordar el reto de diagnosticar enfermedades raras con datos limitados de los PTU.
• Mejorar las capacidades de generalización de los modelos de aprendizaje profundo para el diagnóstico de enfermedades raras.

Principales métodos:

• Un algoritmo de metaaprendizaje ajusta los modelos previamente entrenados para la generalización de tareas.
• El aprendizaje no supervisado en los datos de consulta se integra en el metaaprendizaje.
• El aprendizaje de consistencia de conjuntos cruzados minimiza las discrepancias entre los datos de soporte y consulta.
• La mezcla de datos genera muestras virtuales para aumentar la diversidad de datos.

Principales resultados:

• El método propuesto logró una mayor precisión de clasificación que las técnicas de aprendizaje de pocos disparos existentes en un conjunto de datos de los PTU.
• Los experimentos con un conjunto de datos de imágenes histológicas demostraron un rendimiento superior, confirmando la generalización.
• El algoritmo utiliza efectivamente datos limitados y descubre información oculta.

Conclusiones:

• Las estrategias desarrolladas mejoran el rendimiento del modelo al maximizar la utilidad de los datos limitados.
• El nuevo enfoque muestra un valor significativo para la capacitación de modelos de aprendizaje profundo en el diagnóstico de enfermedades raras.
• Este método mejora la generalización del modelo a tareas no vistas anteriormente.