MTL-MAD：多任务学习者是有效的医学异常检测器
计算机视觉与模式识别
2026-05-08 v1 人工智能
机器学习
摘要
医学图像异常检测是一个具有挑战性的任务，因为在训练期间通常不存在异常。最近的方法利用单一预文本联合大规模预训练模型来达到最先进的性能。相反，我们提出从头开始学习多个自监督和伪标签任务，使用基于 Mixture-of-Experts（MoE）的联合模型。通过仔细整合多个代理任务，联合模型有效学习了正常解剖结构的鲁棒表示，从而可以在推理时基于多任务学习者（MTL）解决每个任务的程度来推导出异常分数。我们在 BMAD 上进行了全面的实验，该基准涵盖了广泛的医学图像模态。实验结果表明，我们的多任务学习者是有效的异常检测器，在 BMAD 上超过了所有最先进的竞争者。此外，我们的模型产生可解释的异常图，可能有助于医生提供更准确的诊断。
引用
@article{arxiv.2605.05891,
title = {MTL-MAD: Multi-Task Learners are Effective Medical Anomaly Detectors},
author = {Bogdan Alexandru Bercean and Florinel Alin Croitoru and Vlad Hondru and Ciprian Mihai Ceausescu and Andreea Iuliana Ionescu and Radu Tudor Ionescu},
journal= {arXiv preprint arXiv:2605.05891},
year = {2026}
}