基于视觉Transformer的肺癌多标签分类的零样本与小样本学习
计算机视觉与模式识别
2022-06-01 v2 人工智能
机器学习
摘要
肺癌是全球癌症相关死亡的首要原因。肺腺癌（LUAD）和肺鳞状细胞癌（LUSC）是非小细胞肺癌（NSCLC）最常见的组织学亚型。组织学是肺癌诊断的重要工具。病理学家根据主要亚型进行分类。尽管形态学仍是诊断标准，但仍需开发重要工具以阐明诊断。在本研究中，我们利用预训练的视觉Transformer（ViT）模型，在零样本和小样本设置下对组织学切片（来自数据集LC25000）上的肺癌进行多标签分类。随后我们比较了零样本和小样本ViT在准确率、精确率、召回率、灵敏度和特异度上的性能。我们的研究表明，预训练ViT模型在零样本设置下表现良好，在小样本设置（{epoch = 1}）下具有竞争力的准确率（），并在小样本设置（{epoch = 5}）下取得最优结果（验证集和测试集上均为 ）。
引用
@article{arxiv.2205.15290,
title = {Zero-Shot and Few-Shot Learning for Lung Cancer Multi-Label Classification using Vision Transformer},
author = {Fu-Ming Guo and Yingfang Fan},
journal= {arXiv preprint arXiv:2205.15290},
year = {2022}
}