面向 OCT 细粒度分类的顾及患者意识的主动学习
图像与视频处理
2022-06-28 v2 机器学习
摘要
本文考虑从医学角度使主动学习更具合理性。在实践中，一种疾病在不同患者队列中表现出不同形式。现有框架主要利用数学构造来设计基于不确定性或多样性的方法以选择信息量最大的样本。然而，这类算法本身并不自然地呈现为可被医学界与医疗提供者使用的形式。因此，它们在临床环境中的部署非常有限（即便有）。为此，我们提出一个框架，将临床见解纳入主动学习的样本选择过程，并可与现有算法结合。我们这种具医学可解释性的主动学习框架捕捉患者多样的疾患表现，从而改善 OCT 分类的泛化性能。经过全面实验，我们报告：在具有不平衡患者分布的数据集上，将两个架构中现有五种常用范式与纳入患者见解的主动学习框架相比，后者取得的性能与之匹敌或超越之。此外，该框架可融入现有医疗实践，因而可被医疗提供者使用。
引用
@article{arxiv.2206.11485,
title = {Patient Aware Active Learning for Fine-Grained OCT Classification},
author = {Yash-yee Logan and Ryan Benkert and Ahmad Mustafa and Gukyeong Kwon and Ghassan AlRegib},
journal= {arXiv preprint arXiv:2206.11485},
year = {2022}
}
备注
IEEE International Conference on Image Processing (ICIP)