利用基础模型应对数据稀缺：医学影像中少样本与零样本学习方法的基准研究
内容提要
深度学习在医学图像处理中的应用受到数据不足的限制。研究者开发了“Few-shot learning”模型，通过小规模数据提取特征。本文综述了该模型在医学图像分析中的进展，探讨了其在心脏、肺等领域的应用表现，并提出了多任务学习策略和贝叶斯不确定性估计方法，以提高模型的泛化能力和性能。
延伸解读
基础模型在医学影像中的可转移性差异
文章评估了五种基础模型在医学图像分类任务中的表现，结果显示DINOv2能够超越ImageNet预训练基线，但其他模型如SAM、SEEM、BLIP和OpenCLIP并未 consistently 超越该基线。这表明不同基础模型在医学领域的可转移性存在显著差异，读者需注意模型选择对下游任务性能的影响，不能假设所有基础模型都能直接迁移。
多任务学习与不确定性估计的实用价值
UMedPT模型通过多任务学习在断层、显微和X光图像上训练，在领域外任务仅需少量数据即可保持性能，其提取的特征成为跨中心可转移性的新标准。同时，贝叶斯不确定性估计方法能有效衡量模型在分布外数据上的性能，低不确定性预测通常更可靠。这些方法为临床部署中数据稀缺和分布偏移问题提供了实用解决方案。
低数据场景下的泛化策略与评估局限
文章提出通过预训练和元微调策略，在元训练中暴露于挑战性任务，元测试中评估临床相关任务，以提升低数据下的泛化能力。此外，研究指出常用的线上准确性和一致性指标在分布外数据上存在局限，强调引入贝叶斯不确定性的必要性。读者应关注这些评估方法的改进，以避免高估模型在真实临床环境中的性能。
Q&A
什么是Few-shot learning模型？
Few-shot learning模型是一种通过小规模数据提取特征的深度学习模型，旨在解决医学图像处理中的数据不足问题。
Few-shot learning在医学图像分析中的应用领域有哪些？
Few-shot learning主要应用于心脏、肺和腹部等医学图像分析领域。
如何提高Few-shot learning模型的泛化能力？
可以通过多任务学习策略和贝叶斯不确定性估计方法来提高Few-shot learning模型的泛化能力和性能。
DINOv2模型在医学图像分类任务中的表现如何？
DINOv2在医学图像分类任务中表现优越，尤其在分割任务中具有竞争力的结果。
贝叶斯不确定性估计方法的实际应用益处是什么？
贝叶斯不确定性估计方法可以作为衡量模型在超出分布数据上性能的指标，具有显著的实际应用益处。
如何通过预训练和元微调提高模型在低数据情况下的性能？
通过在元训练中暴露模型于更具挑战性的分类任务，进而在元测试中评估更容易的临床相关任务，可以提高模型在低数据情况下的性能。
