医学图像分析中的标签高效深度学习：挑战与未来方向

深度学习已显著推进医学影像分析（MIA），在多种临床任务中取得了最先进的性能。然而，其成功在很大程度上依赖于大规模、高质量的标注数据集，由于需要专家标注，这类数据集的获取成本高且耗时。为缓解这一限制，标签高效深度学习方法应运而生，通过利用有标注、无标注和弱标注数据，在有限监督下提升模型性能。在本综述中，我们系统回顾了超过350篇同行评审研究，并提出了MIA中标签高效学习方法的全面分类体系。这些方法被划分为四种标注范式：无标签、标签不足、不精确标签和标签精炼。对于每一类，我们分析了跨成像模态和临床应用的代表性技术，突出共享的方法论原则与任务特定的适配。我们还考察了健康基础模型（HFMs）通过大规模预训练与迁移学习在实现标签高效学习中的日益重要的作用，增强了有限标注在下游任务中的利用。最后，我们指出了当前的挑战与未来方向，以促进标签高效学习从研究前景向日常临床护理的转化。