医学影像中少样本学习的系统回顾
深度学习在医学图像处理领域的应用受到数据不足的限制,因此研究者们开发出了一种称为 “Few-shot learning” 的模型,通过分类和分割方法来从小规模数据集中提取特征以解决数据不足的问题。本文综述了 Few-shot learning 的背景和基本概述,介绍了医学图像分析中的方法学策略比较,描述了 Few-shot learning 在医学图像处理应用的最新进展,并展望了其未来的应用前景。
May, 2023
本文提出了一个基于元学习的弱监督分割方案,并在医学成像领域进行了实验和对不同范例的比较分析,研究结果表明度量学习元学习方法在小型领域变化的任务中具有更好的分割结果,而某些梯度和融合的元学习方法则对大型领域变化具有更好的推广性。
May, 2023
通过研究 meta-learning 和鲁棒性技术在基准文本和医学数据上的应用,我们发现 meta-learning 是基于文本的数据的合适框架,具有更好的数据效率和与 few-shot 语言模型可比的性能,并且可以成功地应用于医疗笔记数据,同时与 DRO 结合的 meta-learning 模型还可以提高疾病编码的最坏情况损失。
Dec, 2022
本文旨在提高元学习以用于分类皮肤镜图像,通过使用少样本学习(few-shot learning)和元学习方法,实验结果表明,本文的方法能够显着提高皮肤镜图像的分类性能。
Oct, 2022
通过使用 AI 方法与类人能力相结合的方法来弥补稀缺标记数据的方法被称为 few-shot learning。本文综述并比较了 few-shot learning 方法在生物医学时间序列应用方面的使用,讨论了该方法相对于传统的数据驱动方法的临床好处和局限性,以及对未来研究和应用的影响。
May, 2024
通过少样本学习、零样本学习和常规目标检测方法的比较研究,发现这些方法在数据集要求、泛化性能以及处理挑战方面取得了显著结果。此外,综述了最近三年的研究,介绍了少样本学习和零样本学习方法在解决挑战中的应用,并且指出了该领域中的进一步研究方向。
Jun, 2024
本篇综述了最新关于使用少样本学习方法来解决医疗自然语言处理问题的研究状态。结果显示,多数研究侧重于已存在的数据集,其中概念提取和命名实体识别是最常见的任务,研究方法主要包括注意力机制、原型网络和元学习。然而,当前的研究还面临着医学领域数据集数量有限以及少样本学习方法在医学领域表现不如在其他领域的问题,因此需要创建更加专业的医学数据集来促进该领域方法的发展比较分析。
Apr, 2022
应用于医学成像等关键领域的深度学习模型使用受限的训练数据,我们提出了一种策略来提高在低数据情况下训练的模型的性能和泛化能力。通过预训练和元微调,本方法通过在元训练中暴露模型于更具挑战性的分类任务,进而在元测试中对更具临床相关性但更容易的任务进行评估,以增强模型的泛化能力。该方法在两个不同的医学任务上进行了实验证明了其有效性,并在评估数据的分布变化时保持了竞争力。
Mar, 2024
本文为深度学习架构在小数据训练中的应用进行了综述,提供了关键参考和开源代码,为希望在小数据场景下进行 Few-shot 学习的人提供了起点。
Aug, 2020
本文提出在 few-shot classification 问题中采用深度神经网络集成来解决分类器高方差的问题,通过引入新策略鼓励网络相互合作来提高分类性能,实验结果表明该方法在 mini-ImageNet 和 CUB 数据集上显著优于当前的 meta-learning 技术。
Mar, 2019