平衡少样本情景学习用于精准视网膜疾病诊断

鉴于糖尿病视网膜病变和黄斑变性等疾病的患病率持续上升，自动视网膜疾病诊断至关重要。传统的深度学习方法需要大量标注数据集，这在成本上高昂且各类疾病之间往往存在不平衡，限制了其在实践中的可靠性。少样本学习（FSL）通过使模型仅从每类少量标注样本中泛化来应对这一挑战。在本研究中，我们提出了一种专为视网膜多疾病图像数据集（RFMiD）设计的平衡少样本情景学习框架。我们聚焦于十类代表性最强的类别，这些类别在多数疾病（如糖尿病视网膜病变、黄斑裂孔）与少数疾病（如视盘水肿、视网膜分支静脉阻塞）之间仍存在显著不平衡。我们的方法整合了三个关键组件：（i）平衡情景采样，确保每个5-way 5-shot情景中所有类别均等参与；（ii）针对性增强，包括对比度受限自适应直方图均衡化（CLAHE）以及颜色/几何变换，以提升少数类的多样性；以及（iii）基于ImageNet预训练的ResNet-50编码器，因其在捕捉细粒度视网膜特征方面的卓越能力而被选用。原型在嵌入空间中计算，分类通过余弦相似度进行以提高稳定性。在100个训练情景和1000个测试情景上进行训练后，我们的框架在准确率上取得了显著提升，并减少了对多数类的偏见，对代表性不足的疾病也有显著改善。这些结果表明，结合平衡采样和CLAHE增强预处理的、面向数据集的少样本流水线，能够在数据受限条件下提供更稳健、更具临床公平性的视网膜疾病诊断。