癌症识别的辅助元学习策略:利用外部数据和优化的特征映射

科学领域:

• 在瘤学瘤学.
• 计算机科学 计算机科学
• 人工智能的人工智能

背景情况:

• 癌症对全球健康构成重大挑战,每年有数以百万计的新病例和死亡.
• 深度学习模型对于癌症识别是有效的,但通常需要大型标记数据集.
• 短暂的学习方法旨在减少数据需求,但在癌症识别任务中显示出局限性.

研究的目的:

• 提出一个辅助的元学习策略,以增强癌症识别的少数射击学习.
• 为了应对数据稀缺的挑战,并提高深度学习模型在这个领域的性能.
• 开发一种方法,在癌症识别方面实现卓越的准确性和概括能力.

主要方法:

• 一个辅助的元学习策略,涉及辅助训练与外部数据中和错误分类的概率.
• 在嵌入空间中使用类别原型和等号距离的特征映射模型优化.
• 利用深度过度参数化的卷积层和三分支结构来加速训练和提高性能.

主要成果:

• 拟议的方法在BreakHis,帕普查和ISIC 2018数据集中显示出癌症识别的卓越准确性.
• 对少数拍摄基准数据集的实验证实了该方法的优秀概括能力.
• 该策略有效地减少了在癌症识别任务中需要大量标记样本的需求.

结论:

• 辅助的元学习策略显著提高了几次射击癌症识别性能.
• 该方法为克服医学图像分析数据限制提供了一个有希望的解决方案.
• 该方法表现出强烈的概括性,使其适用于各种癌症数据集.