一种数据效率高的零射击和少数射击的语方法,用于自动诊断左心室缩

科学领域:

• 心脏病学 心脏病学
• 人工智能的人工智能
• 医疗成像医学成像

背景情况:

• 左心室缩 (LVH) 是一种严重的疾病,需要通过心声回声仪进行准确的诊断.
• 手动解读心声回声图是耗时的,容易出现诊断错误.
• 医疗数据的有限可用性对开发自动诊断工具构成重大挑战.

研究的目的:

• 开发一种数据效率高的深度学习技术,用于使用心声回声图 (echocardiograms) 进行LVH自动分类.
• 通过提出新的零射击和少数射击学习算法来应对有限的医学数据的挑战.
• 为了提高 LVH 检测的诊断准确性和可靠性.

主要方法:

• 收集了来自70名患者的正常和LVH心声谱的新型数据集.
• 引入了修改后的基于罗网络的零射击和少数射击算法,用于图像分类.
• 分类基于截止距离,消除了在零射击学习中对文本矢量的需求.

主要成果:

• 与最先进的方法相比,零射击学习的精度提高了8%,少射击学习的精度提高了11%.
• 在自动化LVH分类中表现出卓越的性能.
• 与专家心声学家相比,获得了更好的观察者间和观察者内部可靠性得分.

结论:

• 提出的数据效率高的深度学习技术为自动化LVH诊断提供了一个有前途的解决方案.
• 新的零射击和少射击算法有效地解决了医学成像中的数据稀缺问题.
• 该方法提高了诊断的准确性和可靠性,可能有助于临床决策.