임상 현실에 맞추기: 적은 라벨로 정확한 OCT 기반 진단

임의로 라벨이 지정되지 않은 데이터는 임상 현장에서 흔히 발견되므로, 반지도 학습을 기반으로 하는 머신 러닝 방법이 이러한 환경에 적합합니다. 그럼에도 불구하고, 이들은 현재 의료 영상 분석 문헌에서 상대적으로 적은 주목을 받고 있습니다. 대신 대부분의 실무자와 연구원들은 지도 학습 또는 전이 학습 접근법에 집중하고 있습니다. 최근 제안된 MixMatch 및 FixMatch 알고리즘은 매우 적은 라벨만 필요로 하면서 유용한 표현을 추출하는 데 있어 유망한 결과를 보여주었습니다. 이러한 최근 성공 사례에 동기를 부여받아, 우리는 안과 진단 환경에서 MixMatch와 FixMatch를 적용하여 표준 전이 학습과 비교하여 어떤 성능을 내는지 조사했습니다. 우리는 두 알고리즘이 모든 라벨링된 데이터 비율에서 전이 학습 베이스라인을 능가한다는 것을 발견했습니다. 또한 실험 결과, 모델 매개변수의 지수 이동 평균(Exponential Moving Average, EMA)이라는 두 알고리즘의 구성 요소가 우리의 분류 문제에는 필요하지 않다는 것을 확인했습니다. 이를 비활성화해도 결과가 변하지 않았기 때문입니다. 우리의 코드는 온라인으로 제공됩니다: https://github.com/Valentyn1997/oct-diagn-semi-supervised