使用推拉自动编码器进行课堂增量学习,用于胸部X射线诊断

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:

• 阶级增量学习 (CIL) 使模型能够在没有先前数据的情况下学习新类,这对于不断发展的医疗数据集至关重要.
• 现有的CIL模型在胸部X射线诊断方面扎,而X射线的深度学习模型在CIL环境中经常表现出灾难性的遗忘.

研究的目的:

• 开发一个针对胸部X射线分析的新型CIL框架,解决当前模型的局限性.
• 为了减轻灾难性遗忘和改善诊断性能在医疗成像的增量学习场景.

主要方法:

• 提出推拉自编码器 (PPAE),一种利用双隐性空间解开异常特异性和异常不可知特征的模型.
• 实施了核心集生成算法来选择代表性实例,在不完全重新培训的情况下保留了以前课程的知识.
• 训练有素的PPAE通过对相似样本进行集群,并根据已学习的特征区分不相似的样本来完善特征表示.

主要成果:

• 在多种不同的胸部X射线数据集中,在F1得分中获得了高达3%的改善,在AUROC中获得了4%的改善.
• 显著减少了灾难性遗忘,在以前学习的课程上保持了高的诊断准确性.
• 验证了框架在持续学习任务中的稳定性和有效性,用于胸部X射线诊断.

结论:

• 该PPAE框架有效地解决了灾难性的忘记在课堂增量学习的胸部X射线诊断.
• 拟议的方法增强了持续学习能力,为不断发展的医疗诊断系统提供了一个有希望的方法.
• PPAE显示了在医学成像中推进长期,自适应性诊断解决方案的潜力.