零训练任务特定模型合成用于少样本医学图像分类
计算机视觉与模式识别
2025-11-19 v1 人工智能
摘要
深度学习模型在医学图像分析中取得了显著的成功，但受限于需要大规模、严格标注数据集的要求。这一对“大数据”的依赖是医学领域的关键瓶颈，因为患者数据本质上难以获取，专业标注昂贵，尤其是对于样本稀缺的罕见疾病。为克服这一根本性挑战，我们提出了一种新范式：零训练任务特定模型合成 (ZS-TMS)。我们的方法利用大规模预训练生成引擎，直接合成任务特定分类器的整个参数集。我们的框架，语义引导参数合成器 (SGPS)，以最少的多模态任务信息（例如仅一个示例图像（1-shot）和相应的临床文本描述）作为输入，直接合成任务特定分类器的全部参数。生成引擎解释这些输入，为轻量、高效的分类器（例如 EfficientNet-V2）生成权重，可立即用于推理，无需任何任务特定训练或微调。我们在源自 ISIC 2018 皮肤 lesion 数据集和来自自定义罕见疾病数据集的具有挑战性的少样本分类基准上进行了广泛评估。我们的结果表明，SGPS 建立了新的状态-of-the-art，显著优于先进的少样本和零样本学习方法，尤其在 1-shot 和 5-shot 分类的超低数据场景中表现突出。这项工作为快速开发和部署面向 AI 的诊断工具，特别是针对数据严格受限的罕见疾病长尾，铺平了道路。
引用
@article{arxiv.2511.14082,
title = {Zero-Training Task-Specific Model Synthesis for Few-Shot Medical Image Classification},
author = {Yao Qin and Yangyang Yan and YuanChao Yang and Jinhua Pang and Huanyong Bi and Yuan Liu and HaiHua Wang},
journal= {arXiv preprint arXiv:2511.14082},
year = {2025}
}