基于梯度流的时间差异在胸部疾病诊断中的积极学习

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 机器学习 机器学习

背景情况:

• 深度学习显著提升胸部疾病的诊断,但需要大量的注释数据,这是昂贵的和耗时的获取.
• 积极学习策略旨在通过战略性地选择标签信息样本来减少注释负担.
• 当前的积极学习方法往往忽视了样本对模型培训动态的影响,并产生了高的选择成本.

研究的目的:

• 提出一种新的度量,渐变流的时间差异 (TDGF),用于有效和有效的数据选择,用于胸部疾病诊断的积极学习.
• 解决现有的积极学习方法的局限性,特别是对样本对模型培训的影响及其高计算成本的监督.

主要方法:

• 一个三个阶段的积极学习周期:模型培训,使用TDGF选择数据,以及数据注释.
• 在标记的数据集上训练一个目标模型,一个代理模型和一个历史代理模型.
• 基于代理模型之间的替代梯度流计算TDGF得分,以识别和选择最不确定的未标记样本.

主要成果:

• TDGF指标有效地识别了模型培训至关重要的硬和不确定的样本.
• 采用代理模型和替代梯度流,大大降低了数据选择的计算复杂性.
• 拟议的基于TDGF的积极学习方法在公共胸部X射线数据集 (ChestX-ray14,CheXpert) 上的现有方法相比,表现优越.

结论:

• TDGF指标为医疗图像分析的积极学习中数据选择提供了一种高效和有效的方法.
• 这种方法可以提高深度学习模型在胸部疾病诊断中的性能,同时尽量减少注释工作.
• 在资源有限的医疗人工智能应用中,TDGF代表了积极学习的有希望的进步.