摘要
在临床环境中，未标记的数据通常非常丰富，这使得基于半监督学习的机器学习方法成为该场景下的理想选择。尽管如此，目前这些方法在医学图像分析文献中并未受到足够的关注。相反，大多数从业者和研究人员主要集中在监督学习或迁移学习方法上。最近提出的MixMatch和FixMatch算法在提取有用表示的同时仅需少量标签，展示了令人鼓舞的结果。受这些最新成功的启发，我们在眼科诊断场景中应用了MixMatch和FixMatch算法，并研究了它们与标准迁移学习相比的表现。我们发现，在所有标记数据比例下，这两种算法均优于迁移学习基线模型。此外，我们的实验表明，作为这两种算法组成部分之一的模型参数指数移动平均（Exponential Moving Average, EMA）对于我们的分类问题并非必要，因为禁用它并不会改变结果。我们的代码已在线提供：https://github.com/Valentyn1997/oct-diagn-semi-supervised