像放射科医生一样训练医学图像分析系统

使用机器学习方法训练医学图像分析系统的过程遵循一个常见脚本：收集并标注大型数据集，在训练集上训练分类器，并在留出测试集上测试。这一过程与放射科医生的培训并无直接相似之处，后者基于解决一系列难度递增的任务，其中每个任务使用的数据集都远小于机器学习中使用的数据集。在本文中，我们提出一种受放射科医生培训方式启发的新型训练方法。具体而言，我们探索使用元训练（meta-training）基于一系列任务对分类器建模。任务通过师生课程学习（teacher-student curriculum learning）选择，其中每个任务由包含小型训练集的简单分类问题组成。我们假设所提出的元训练方法可用于预训练医学图像分析模型。该假设在基于弱标注数据集训练的 DCE-MRI 自动乳腺筛查分类上进行了测试。与 SOTA 基线方法 DenseNet、多示例学习（multiple instance learning）和多任务学习相比，我们的方法在该应用上取得的分类性能为领域内最佳。