对几次射击胸部X射线疾病分类的超级学习模型的比较评估
Luis-Carlos Quiñonez-Baca1, Graciela Ramirez-Alonso1, Fernando Gaxiola2
1Computer Vision and Data Science Lab, Facultad de Ingeniería, Universidad Autónoma de Chihuahua, Circuito Universitario Campus II, Chihuahua 31125, Mexico.
Diagnostics (Basel, Switzerland)
|September 27, 2025
概括
超学习有效地根据有限的胸部X射线数据对胸部疾病进行分类. 基于原型的方法,如DenseNet-121的原型网络,为医学成像诊断提供了强大的和高效的少数镜头学习.
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:
- 有限的标记数据阻碍了医疗诊断的深度学习,特别是罕见疾病.
- 深度学习模型需要大量的注释数据集,这些数据集在医疗保健中往往是不可用的.
- 超级学习可以在最小的标记数据下快速适应新任务.
研究的目的:
- 评估使用胸部X射线进行胸部疾病分类的元学习模型.
- 为了比较原型网络,关系网络,MAML和FoMAML的性能.
- 在这种情况下,确定用于元学习的最佳骨干架构.
主要方法:
- 对四种元学习算法的比较评估:原型网络,关系网络,MAML和FoMAML.
- 评估了五个具有原型网络的骨干架构 (ConvNeXt,DenseNet-121,ResNet-50,MobileNetV2,ViT).
- 对胸部X射线14数据集进行的实验使用了双向,k-shot设置.
主要成果:
- 使用DenseNet-121的原型网络在双向,10次拍摄配置中产生了最佳性能 (回忆率:68.1%,F1:67.4%,精度:0.693).
- 的分类在疾病特异性分析中取得了最高的准确性.
- 与MAML和FoMAML相比,原型和关系网络显示出更高的计算效率 (更少的FLOP,更短的执行时间).
结论:
- 基于原型的超级学习,特别是DenseNet-121是一种强大而有效的方法,用于几次射击的胸部X射线分类.
- 这种方法显示出临床应用的巨大潜力,而注释医学数据很少.
- 超级学习提供了一个可行的解决方案,以克服医疗AI开发中的数据限制.
