توافق مع الواقع السريري: التشخيص الدقيق القائم على OCT من علامات قليلة

البيانات غير المصنفة غالبًا ما تكون وفيرة في البيئة السريرية، مما يجعل طرق التعلم الآلي المستندة إلى التعلم شبه المشرف مناسبة جدًا لهذه البيئة. ومع ذلك، فإنها حاليًا تلقى اهتمامًا نسبيًا قليلًا في أدبيات تحليل الصور الطبية. بدلاً من ذلك، يركز معظم الممارسين والباحثين على الطرق المشرفة أو نقل التعلم. لقد أظهرت خوارزميات MixMatch و FixMatch المقترحة مؤخرًا نتائج واعدة في استخراج تمثيلات مفيدة مع الحاجة إلى عدد قليل جدًا من العلامات. مستوحىً من هذه النجاحات الحديثة، قمنا بتطبيق خوارزميتي MixMatch و FixMatch في إعداد تشخيص طب العيون وفحص كيف يتأثر أداؤهما مقابل التعلم التقليدي بنقل البيانات. وجدنا أن كلا الخوارزميتين تتفوقان على أساس التعلم بنقل البيانات في جميع نسب البيانات المصنفة. علاوة على ذلك، أظهرت تجاربنا أن متوسط الحركة الأسي (Exponential Moving Average - EMA) لمعلمات النموذج، وهو عنصر مشترك بين الخوارزميتين، ليس ضروريًا لمشكلتنا في التصنيف، حيث إن تعطيله لا يؤثر على النتيجة. رمز البرمجيات الخاص بنا متاح عبر الإنترنت: https://github.com/Valentyn1997/oct-diagn-semi-supervised