MetaChest: 胸部X線写真からの病理の汎用的な少数ショット学習

科学分野:

• 医療画像
• 人工知能
• コンピュータビジョン

背景:

• 医療画像における深層学習は、注釈付きデータが限られているという課題に直面しています。
• 少数ショット学習（FSL）は、少数の例で新しいクラスを分類することを目指しています。
• 医療アプリケーションでは、しばしば既存の知識と並行して新しいクラスを学習する必要があり、これは汎用的なFSLに合致しています。

研究 の 目的:

• 胸部X線写真分析のための大規模データセットであるMetaChestを導入すること。
• 少数ショットマルチラベル分類における標準的な転移学習（TL）とProtoNet拡張を評価すること。
• データセットの特性とモデルアーキテクチャがパフォーマンスに与える影響を調査すること。

主な方法:

• メタセットパーティションを備えた479,215枚の胸部X線写真のデータセットであるMetaChestを開発しました。
• マルチラベル分類エピソードを生成するためのアルゴリズムを作成しました。
• さまざまな少数ショットタスクにわたってTLとProtoNet拡張を比較する実験を実施しました。

主要な成果:

• エピソードあたりのクラス数とクラスあたりの例数を増やすことでパフォーマンスが向上しました。
• 標準的なTLは、ProtoNet拡張よりも一貫して優れていました。
• 高解像度は精度を向上させましたが、計算量が増加しました。効率的なアーキテクチャは、リソースを削減しながら同等のパフォーマンスを提供しました。

結論:

• MetaChestは、医療画像における汎用的な少数ショット学習の研究を促進します。
• 標準的なTLは、少数ショット医療画像分類のための堅牢なベースラインです。
• モデルアーキテクチャとデータ特性は、分類結果に大きく影響します。