面向医学影像深度主动学习的获取函数研究

深度学习革命在近年来促成了突破性的成就。从乳腺癌检测到蛋白质折叠，深度学习算法一直是许多重大进展的核心。然而，这些现代进展正变得越来越依赖数据，尤其是获取稀缺的标注数据：这在医疗背景下尤为普遍。在本研究中，我们展示了主动学习在数据稀缺情况（即获取标注数据或标注预算非常有限）下的有效性。我们在 ISIC 2016 数据集上比较了几种选择标准（BALD、MeanSTD 和 MaxEntropy）。我们还探讨了获取池大小对模型性能的影响。我们的结果表明，不确定性对黑色素瘤检测任务是有用的，并证实了相关论文作者的假设，即 \textit{bald} 的平均表现优于其他获取函数。然而，我们进一步的分析揭示，所有获取函数在正（癌变）样本上的表现都很差，表明存在对类别不平衡的利用，这在现实场景中可能至关重要。最后，我们提出了对未来工作方向的建议，以改进当前研究。我们的实现代码已在 \url{https://github.com/bonaventuredossou/ece526_course_project} 开源。