混合无监督表示学习和伪标签监督自蒸用于罕见疾病成像表型分类与分散意识失衡校正

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 罕见疾病 罕见疾病

背景情况:

• 由于患病率低,培训数据有限,罕见疾病带来了重大诊断挑战.
• 短暂学习 (FSL) 方法试图通过从常见疾病中转移知识来解决这一问题,但通常需要标记的基础数据集,并未充分利用罕见疾病样本.
• 罕见疾病分类中的小样本大小可能导致类间性能失衡.

研究的目的:

• 为罕见疾病成像表型分类开发一种新的混合方法,克服现有FSL方法的局限性.
• 通过利用未标记的数据和解决样本不平衡,提高罕见病分类的准确性和稳定性.

主要方法:

• 无监督的表示学习 (URL) 使用自监督的对比损失来消除对标记基础数据集的需求.
• 整合URL与伪标签监督分类,以有效地自蒸罕见疾病知识.
• 功能分散评估和分散意识校正以缓解类间性能不平衡.

主要成果:

• 拟议的混合方法在模拟 (皮肤病变,宫涂抹) 和真实临床 (视网膜疾病) 数据集上明显优于现有的FSL方法.
• 即使与使用完全监督的基础数据集的FSL方法相比,也表现出优异的性能.
• 建立了罕见疾病成像表型分类的最新状态.

结论:

• 混合方法有效地整合了无监督学习,伪标签驱动的自蒸和分散意识失衡校正.
• 该方法为罕见疾病成像表型分类提供了强大的解决方案,解决了关键数据稀缺性和不平衡问题.
• 这种方法对通过医学成像来推进罕见疾病的诊断和理解具有重大前景.