MetaChest: aprendizaje generalizado de patologías con pocas muestras a partir de radiografías de tórax

Área de la Ciencia:

• Imágenes Médicas
• Inteligencia Artificial
• Visión por Computadora

Sus antecedentes:

• El aprendizaje profundo en imágenes médicas se ve desafiado por la limitada disponibilidad de datos anotados.
• El aprendizaje con pocas muestras (FSL) tiene como objetivo clasificar nuevas clases con pocos ejemplos.
• Las aplicaciones médicas a menudo requieren el aprendizaje de nuevas clases junto con el conocimiento existente, lo que se alinea con el FSL generalizado.

Objetivo del estudio:

• Presentar MetaChest, un conjunto de datos a gran escala para el análisis de radiografías de tórax.
• Evaluar el aprendizaje por transferencia (TL) estándar y una extensión de ProtoNet en la clasificación multietiqueta con pocas muestras.
• Investigar el impacto de las características del conjunto de datos y las arquitecturas de los modelos en el rendimiento.

Principales métodos:

• Desarrollamos MetaChest, un conjunto de datos de 479 215 radiografías de tórax con particiones de metaconjuntos.
• Creamos un algoritmo para generar episodios de clasificación multietiqueta.
• Realizamos experimentos comparando TL y la extensión ProtoNet en diversas tareas de pocas muestras.

Principales resultados:

• El aumento de las clases por episodio y los ejemplos por clase mejoró el rendimiento.
• La TL estándar superó consistentemente la extensión de ProtoNet.
• La mayor resolución mejoró la precisión pero aumentó el cálculo; las arquitecturas eficientes ofrecieron un rendimiento comparable con recursos reducidos.

Conclusiones:

• MetaChest facilita la investigación en aprendizaje generalizado con pocas muestras para imágenes médicas.
• La TL estándar es una línea de base robusta para la clasificación de imágenes médicas con pocas muestras.
• La arquitectura del modelo y las características de los datos influyen significativamente en los resultados de la clasificación.