DECAL：可部署的临床主动学习
图像与视频处理
2022-06-28 v2
摘要
在自然图像上运行的常规机器学习系统假设图像中存在导致某种决策的属性。然而，医疗领域的决策是医学诊断扫描与电子病历（EMR）中属性共同作用的结果。因此，为自然图像开发的主动学习技术不足以处理医疗数据。我们致力于通过在一个双模态接口中设计可部署的临床主动学习（DECAL）框架来减少这种不足，从而为范式增添实用性。我们的方法是一种“即插即用”方法，可使基于自然图像的主动学习算法泛化得更好更快。我们发现，在三个架构和五种学习策略的两个医疗数据集上，DECAL 在 20 轮中使泛化能力提升了约 4.81%。作为光学相干断层扫描（OCT）和 X 射线图像的初始化策略，DECAL 分别带来了 5.59% 和 7.02% 的平均准确率提升。我们的主动学习结果分别使用 3000（5%）和 2000（38%）个 OCT 与 X 射线数据样本取得。
引用
@article{arxiv.2206.10120,
title = {DECAL: DEployable Clinical Active Learning},
author = {Yash-yee Logan and Mohit Prabhushankar and Ghassan AlRegib},
journal= {arXiv preprint arXiv:2206.10120},
year = {2022}
}
备注
ICML 2022 Workshop on Adaptive Experimental Design and Active Learning in the Real World