学习停止：用于高效患者级超声心动图分类的强化学习
计算机视觉与模式识别
2025-09-25 v1
摘要
经胸超声心动图检查指南建议从心脏的不同视角获取多个视频片段，从而产生大量片段。通常，自动化方法（如疾病分类器）要么使用单个片段，要么对所有片段的预测取平均。依赖单个片段会忽略来自其他片段的互补信息，而使用所有片段则计算代价高昂，可能阻碍临床应用。为了选择最大化特定任务（基于图像的疾病分类）性能的最优片段子集，我们提出了一种通过强化学习优化的方法。在我们的方法中，智能体学习要么继续处理特定视角的片段以降低疾病分类的不确定性，要么在达到足够的分类置信度时停止处理。此外，我们提出了一种可学习的基于注意力的聚合方法，作为融合多片段信息的灵活方式。该方法在仅使用 30% 的片段进行心脏淀粉样变性检测任务上获得了 0.91 的 AUC，超过了使用所有片段和其他基准方法的性能。
引用
@article{arxiv.2509.19694,
title = {Learning to Stop: Reinforcement Learning for Efficient Patient-Level Echocardiographic Classification},
author = {Woo-Jin Cho Kim and Jorge Oliveira and Arian Beqiri and Alex Thorley and Jordan Strom and Jamie O'Driscoll and Rajan Sharma and Jeremy Slivnick and Roberto Lang and Alberto Gomez and Agisilaos Chartsias},
journal= {arXiv preprint arXiv:2509.19694},
year = {2025}
}
备注
published in MICCAI-ASMUS 2025