医学影像AI如何需要小样本学习和域自适应技术？

郑冶枫指出，从本质上来看，影像诊断是一个计算机视觉问题，理想情况下将计算机视觉成熟技术搬过来就可以，但影像诊断往往还存在很多独特的行业性问题。

第一，数据量少（缺乏训练数据），对AI算法团队来说是一个难题。因为缺乏数据样本，数据来源和标注问题都很大，医学影像需要专业医生标注，而培养一个专业医生需要十年以上的时间。

第二，算法跨中心泛化能力差。开发一个疾病/场景，与一家医院做深度捆绑、利用数据进行交叉验证后，能得到比较理想的结果。但如果把这个算法部署到另外一家医院，准确率会相差很大。

第三，准确度要求高，医疗是一个严谨的场景，所有的诊断建议都可能对病人健康产生直接影响。

在第一个问题上，郑冶枫博士提出，迁移学习是一个很好的方式，可以将某个任务（源域）上训练好的模型迁移到另一个任务（目标域）。而为了获取更多的医学数据、积少成多，郑冶枫博士团队提出了Med3D：共享编码器的多任务分割网络，在大量异质的公开数据集上预训练，然后迁移到其它任务，并且进行了开源输出。

当然，除了Med3D，郑冶枫博士团队还提出了基于魔方变换的自监督学习，在预训练阶段不需要人工标定，从而减少大量的时间成本。

另外一方面，为了解决域偏移的问题，他们还提出了新型无监督域自适应(UDA)的方法，来缓和域偏移所导致的性能下降。该方法仅仅需要源域的数据、标注以及目标域的部分图像，无需目标域的标注，即可实现两个领域的自适应。在演讲中，他以VideoGAN: 视频风格转换以及OP-Net: 基于单张图像的风格转换的两个案例进行了说明。

（编辑：核心网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!