Klinische Realität abbilden: Genaue OCT-basierte Diagnose mit wenigen Labels

Ungelabelte Daten sind in der klinischen Praxis häufig reichlich vorhanden, wodurch maschinelles Lernen auf der Grundlage von semi-überwachtem Lernen für diesen Kontext gut geeignet ist. Trotzdem erhalten diese Methoden derzeit relativ wenig Beachtung in der medizinischen Bildanalyse-Literatur. Stattdessen konzentrieren sich die meisten Praktiker und Forscher auf überwachte oder Transfer-Lernverfahren. Die kürzlich vorgeschlagenen Algorithmen MixMatch und FixMatch haben vielversprechende Ergebnisse bei der Extraktion nützlicher Repräsentationen unter Verwendung sehr weniger Labels gezeigt. Angeregt durch diese jüngsten Erfolge, wenden wir MixMatch und FixMatch in einem augenärztlichen Diagnosekontext an und untersuchen, wie sie sich im Vergleich zu standardmäßigem Transfer-Lernen verhalten. Wir stellen fest, dass beide Algorithmen das Transfer-Lern-Basisverfahren bei allen Anteilen an gelabelten Daten übertreffen. Darüber hinaus zeigen unsere Experimente, dass die exponentielle gleitende Mittelwertbildung (EMA) der Modellparameter, die ein Bestandteil beider Algorithmen ist, für unser Klassifikationsproblem nicht erforderlich ist, da das Deaktivieren dieser Komponente das Ergebnis unverändert lässt. Unser Code ist online verfügbar: https://github.com/Valentyn1997/oct-diagn-semi-supervised