面向罕见病诊断的难度感知元学习
计算机视觉与模式识别
2020-07-16 v2
摘要
罕见病具有极低数据量的情形，不同于拥有大量可用标注数据的常见病。因此，以每类仅少量样本训练神经网络对罕见病进行分类极具挑战性，且迄今甚少受到关注。本文提出一种难度感知元学习方法以解决罕见病分类问题，并展示其分类皮肤镜图像的能力。我们的关键思路是先从常见病数据中训练并构建元学习模型，再将模型适配以执行罕见病分类。为此，我们开发了难度感知元学习方法，在元优化阶段动态监测学习任务的重要性。为评估该方法，我们使用近期的 ISIC 2018 皮肤病变分类数据集，结果表明在每类仅五样本时，我们的模型能以 83.3% 的高 AUC 快速适配分类未见类别。此外，我们在公开 Dermofit Image Library 中评估了若干罕见病分类结果，以证明该方法在真实临床实践中的潜力。
引用
@article{arxiv.1907.00354,
title = {Difficulty-aware Meta-learning for Rare Disease Diagnosis},
author = {Xiaomeng Li and Lequan Yu and Yueming Jin and Chi-Wing Fu and Lei Xing and Pheng-Ann Heng},
journal= {arXiv preprint arXiv:1907.00354},
year = {2020}
}
备注
MICCAI2020