在有限的资源下,集体学习以识别视网膜疾病
Jiahao Wang1, Hong Peng1, Shengchao Chen2
1School of Information and Communication Engineering, Hainan University, Haikou, 570228, China.
Medical & biological engineering & computing
|May 2, 2024
概括
本研究引入了一种集体学习方法,用于使用有限的数据和计算资源识别视网膜疾病. 这种新的方法以更少的参数实现了高精度,超过了传统的深度学习模型.
科学领域:
- 眼科医生 眼科 眼科
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 视网膜光学连贯性断层扫描 (OCT) 成像对于诊断后眼段疾病至关重要.
- 对OCT图像的自动化分析对于临床决策至关重要,但深度学习 (DL) 模型需要大量的数据和计算能力.
- 数据采集挑战 (隐私,标签) 和资源限制阻碍了医疗AI中的DL模型开发.
研究的目的:
- 开发一种用于视网膜疾病识别的全新集体学习机制.
- 为了应对医疗人工智能的有限数据和计算资源的挑战.
- 为了提高DL模型的性能,用于视网膜OCT图像分析.
主要方法:
- 提出了一种新的集体学习机制,利用预训练模型将知识传输到视网膜的OCT图像.
- 与从头开始训练DL模型相比,开发了一种需要更少参数的方法.
- 利用多个预训练模型来创建疾病识别的整体模型.
主要成果:
- 拟议的组合方法在稀疏的标记数据上表现出比基线模型更好的性能.
- 三重组合模型的准确率为92.06%,比基线模型的准确率高出8.27%至11.14%.
- 与从头开始训练的基线模型相比,三元组合模型需要更少的可训练参数 (3.677M).
结论:
- 这种新的集体学习机制有效地识别视网膜疾病,但数据和计算资源有限.
- 这种方法为开发高性能医疗AI提供了强大的解决方案,特别是在资源有限的环境中.
- 这些发现突出了集合学习的潜力,以克服医疗图像分析中的数据和计算局限性.
