MedFMC：面向医学图像分类中基础模型适配的真实世界数据集与基准
计算机视觉与模式识别
2023-06-19 v1
摘要
基础模型通常以大规模数据预训练，已在启动各类视觉与语言应用中取得巨大成功。近期进展进一步使得仅用少量训练样本(例如上下文学习)即可高效适配下游任务中的基础模型。然而，由于公开数据与基准的匮乏，此类学习范式在医学图像分析中的应用仍然稀少。本文致力于适配基础模型用于医学图像分类的方法，并提出一个用于评估的新数据集与基准，即考察在一系列多样真实世界临床任务上容纳大规模基础模型下游的整体性能。我们从多家机构收集了五组医学影像数据，面向多种真实世界临床任务(共计22,349张图像)，即X光胸疾病筛查、病理病灶组织筛查、内镜图像病灶检测、新生儿黄疸评估与糖尿病视网膜病变分级。使用所提数据集从准确性与成本效益角度展示了多种基线方法的结果。
引用
@article{arxiv.2306.09579,
title = {MedFMC: A Real-world Dataset and Benchmark For Foundation Model Adaptation in Medical Image Classification},
author = {Dequan Wang and Xiaosong Wang and Lilong Wang and Mengzhang Li and Qian Da and Xiaoqiang Liu and Xiangyu Gao and Jun Shen and Junjun He and Tian Shen and Qi Duan and Jie Zhao and Kang Li and Yu Qiao and Shaoting Zhang},
journal= {arXiv preprint arXiv:2306.09579},
year = {2023}
}
备注
Preprint. Under review