RURA-Net：基于零样态学习的通用疾病诊断方法
计算机视觉与模式识别
2025-03-04 v1 人工智能
机器学习
摘要
深度学习模型的训练依赖于大量标记数据。然而，医学标记数据的高成本严重阻碍了深度学习在医疗领域的发展。我们提出了一种基于零样态学习的通用疾病诊断方法。采用 Siamese 神经网络寻找目标疾病的相似疾病，使用 U-Net 分割模型准确分割疾病的关键病灶。最后，基于 ResNet-聚类算法，在大量相似疾病样本数据上训练聚类模型，以获得目标疾病的近似诊断。成功实现了对目标疾病的零样态学习。为评估该模型的有效性，我们在 CFP 模式下的眼科疾病数据集上对该方法进行了验证。使用外部数据集测试其性能，准确率=0.8395，精确率=0.8094，召回率=0.8463，F1 分数=0.8274，AUC=0.9226，均超过了大多数少样本学习和单样本学习模型的指标。这表明该方法在医疗领域具有巨大的潜力和参考价值，尤其是在标注数据稀缺且获取成本高昂的场景中。
引用
@article{arxiv.2503.00052,
title = {RURA-Net: A general disease diagnosis method based on Zero-Shot Learning},
author = {Yan Su and Qiulin Wu and Weizhen Li and Chengchang Pan and Honggang Qi},
journal= {arXiv preprint arXiv:2503.00052},
year = {2025}
}
备注
10 pages, 3 figures, 6 tables, submitted to The 28th International Conference on Medical Image Computing and Computer Assisted Intervention (MICCAI 2025)