臨床現実への適合：少量のラベルから正確なOCTに基づく診断

臨床ではラベルの付いていないデータが豊富に存在しており、これが半教師あり学習を基盤とする機械学習手法が適している状況を作り出しています。しかしながら、これらの手法は現在、医療画像解析の文献において比較的少ない注目を集めています。代わりに、多くの実務者や研究者は教師あり学習や転移学習のアプローチに焦点を当てています。最近提案されたMixMatchおよびFixMatchアルゴリズムは、非常に少ないラベルを使用しながら有用な表現を抽出するという点で有望な結果を示しています。これらの最近の成功事例に触発され、私たちは眼科診断の設定においてMixMatchとFixMatchを適用し、標準的な転移学習との性能を比較しました。その結果、両アルゴリズムはすべてのラベル付きデータの割合で転移学習ベースラインを上回ることがわかりました。さらに、私たちの実験ではモデルパラメータの指数移動平均（Exponential Moving Average, EMA）という両アルゴリズムの構成要素が分類問題には必要ではないことが示されました。この機能を無効にしても結果は変化しませんでした。私たちのコードはオンラインで公開されています: https://github.com/Valentyn1997/oct-diagn-semi-supervised