短暂的条件学习:用于医疗测试设备的自动和可靠的设备分类.

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 深度学习 (Deep Learning) 是一种深度学习.

背景情况:

• 专业医疗图像数据集的有限可用性阻碍了深度学习模型培训.
• 各机构医疗设备的变化使标准化分类复杂化.
• 新生儿复苏设备需要准确的识别,特别是在资源有限的环境中.

研究的目的:

• 开发一个几次射击的学习方法来使用一个小数据集对新生儿复苏设备进行分类.
• 整合可靠性得分,以提高预测信心.
• 在现实世界中验证模型的性能,复杂的图像场景.

主要方法:

• 使用预先训练的ResNet与编码器作为功能提取的骨干.
• 使用少量拍摄的学习,少于100个自然图像进行元训练.
• 包含一个可靠性得分来量化分类确定性.
• 交叉验证模型性能,并对复杂的自然图像进行实时推断约束的测试.

主要成果:

• 在使用87张图像进行元训练时,达到99%以上的中位准确度.
• 在不同模型/折叠中显示了73.4%的下限精度.
• 在复杂的自然图像上观察到的中位精度为87.25%,性能受细分策略的影响.
• 该模型有效地对新生儿复苏设备进行了分类,尽管数据有限.

结论:

• 提出的几次射击学习方法对于在数据稀缺的环境中对专业医疗设备进行分类是非常有效的.
• 整合可靠性评分提高了分类模型的实际实用性.
• 未来对自动细分的改进可以进一步优化临床和模拟环境中的实时应用的性能.