少即是多：资源受限下的视网膜疾病识别集成学习

视网膜光学相干断层扫描（OCT）图像为评估后眼段的健康状况提供了关键信息。因此，推进自动化图像分析方法对于为临床医生和研究人员提供定量数据至关重要，从而支持知情决策。基于深度学习（DL）的方法在执行这些分析任务时获得了广泛应用，相较于费时费力的手动分析展现出了卓越的性能。然而，视网膜 OCT 图像的获取常常面临隐私问题和资源密集型标注过程的挑战，这与 DL 模型需要大量数据才能实现优异性能的普遍观念相矛盾。此外，可用计算资源的限制制约了高性能医疗人工智能的发展，在欠发达地区和国家尤为明显。本文提出了一种专为在资源受限（如数据、计算）条件下识别视网膜疾病而设计的新型集成学习机制。该机制利用来自多个预训练模型的见解，促进其知识向视网膜 OCT 图像的迁移与适应。即使在标记数据有限的情况下，该方法也能建立稳健的模型，从而无需像从零开始学习那样需要大量参数。在真实数据集上的全面实验表明，所提方法在识别视网膜 OCT 图像时能取得优异性能，即使在处理极其受限的标记数据集时亦然。此外，该方法免去了学习大规模参数的需要，非常适合在低资源场景中部署。