面向生物医学时间序列的小样本学习综述
机器学习
2024-10-24 v1 人工智能
摘要
可穿戴传感器技术的进步和医疗记录的数字化促成了生物医学时间序列数据前所未有的普及。数据驱动模型通过改善长期监测能力、促进早期疾病检测和干预以及推动个性化医疗保健服务，在辅助临床诊断和改善患者护理方面具有巨大潜力。然而，获取大量标注数据集以训练数据饥渴的深度学习模型面临着许多障碍，例如罕见疾病的长尾分布、标注成本、隐私和安全问题、数据共享法规以及伦理考量。克服标注数据稀缺性的一种新兴方法是赋予人工智能方法类似人类的能力，以利用过去的经验，通过有限的示例学习新任务，这被称为小样本学习。本综述对面向生物医学时间序列应用的小样本学习方法进行了全面的回顾和比较。讨论了此类方法相对于传统数据驱动方法的临床益处和局限性。本文旨在深入探讨生物医学时间序列小样本学习的当前格局及其对未来研究和应用的影响。
引用
@article{arxiv.2405.02485,
title = {A Survey of Few-Shot Learning for Biomedical Time Series},
author = {Chenqi Li and Timothy Denison and Tingting Zhu},
journal= {arXiv preprint arXiv:2405.02485},
year = {2024}
}
备注
This work has been submitted to the IEEE for possible publication