基于多尺度时空变换的不平衡纵向学习，用于从不规则时间序列图像预测青光眼
内容提要
哈佛团队提出半监督模型“伪监督器”，利用无标签OCT数据提升青光眼检测与进展预测，性能优于现有方法。同时发布Harvard-GDP数据集，包含1000例患者的3D OCT成像及标签，是最大的青光眼检测数据集和首个公开的进展预测数据集，并提供公平学习分析。
延伸解读
半监督学习如何缓解标注瓶颈
青光眼诊断依赖OCT等3D成像，但带标签数据稀缺。本研究提出的伪监督器模型属于半监督学习，通过为无标签样本生成伪标签来优化策略，从而提升泛化能力。在检测和进展预测任务上，该模型均优于现有半监督方法，并在公开LAG眼底数据集上取得最佳结果，说明利用无标签数据是突破标注限制的有效途径。
Harvard-GDP数据集的价值与独特性
研究发布了Harvard-GDP数据集，包含1000例患者的3D OCT成像及检测和进展标签。它是目前最大的3D OCT青光眼检测数据集，也是首个公开的青光眼进展预测数据集。数据集还提供性别和种族分析，便于公平学习研究，并已用多种有监督CNN和Transformer模型进行基准测试，为后续研究提供了标准化平台。
多模态与多任务评估的意义
伪监督器模型在青光眼检测和进展预测两个临床任务上评估，进展预测还以单模态和多模态方式进行。多模态可能整合了不同来源的数据，更贴近临床实际。这种多任务多模态评估表明模型具有较好的通用性，但文章未详细说明具体模态组合和性能提升幅度，读者需注意其泛化能力仍需更多验证。
Q&A
哈佛团队提出的伪监督器模型是什么？
伪监督器是一种新型的广义增强半监督学习模型，旨在最佳利用无标签数据，通过预测未标记样本的伪标签来优化策略，提高经验概括能力。
伪监督器模型在哪些临床任务上进行了评估？
该模型在青光眼检测和进展预测两个临床任务上进行了评估，其中进展预测任务以单模态和多模态方式进行。
Harvard-GDP数据集包含哪些内容？
Harvard-GDP数据集是一个多模态多任务数据集，包括来自1,000例患者的OCT成像数据，以及青光眼检测和进展的标签。
Harvard-GDP数据集有什么特点？
它是拥有3D OCT成像数据的最大的青光眼检测数据集，也是公开可用的第一个青光眼进展预测数据集，并提供了详细的性别和种族分析供公平学习研究。
伪监督器模型相比现有方法表现如何？
伪监督器模型表现出优于最先进SSL比较模型的性能，并在公开可用的LAG眼底数据集上也取得了最佳结果。
如何获取Harvard-GDP数据集和代码？
数据集和代码可通过 https://ophai.hms.harvard.edu/datasets/harvard-gdp1000 公开获取。
