Robust and Explainable Framework to Address Data Scarcity in Diagnostic Imaging

深度学习在自动医学诊断方面取得了显著进展，并释放了人力资源以减轻临床压力，但该领域数据稀缺的持续挑战阻碍了其进一步的改进和应用。为了解决这一问题，我们介绍了一种新的集成框架，称为“高效转移和自监督学习基础的集成框架”（ETSEF）。ETSEF利用多个预训练的深度学习模型的特征，从有限数量的数据样本中高效地学习强大的表示。据我们所知，ETSEF是第一个将两种预训练方法（转移学习和自监督学习）与集成学习方法相结合的策略。还采用了各种数据增强技术，包括数据增强、特征融合、特征选择和决策融合，以最大限度地提高ETSEF模型的效率和鲁棒性。对包括内窥镜、乳腺癌、猴痘、脑肿瘤和青光眼检测在内的五项独立的医学成像任务进行了测试，以展示ETSEF的有效性和鲁棒性。面对有限的样本数量和具有挑战性的医学任务，ETSEF通过与强大的集成基线模型相比将诊断准确性提高了10\%至13.3\%，并与已发表的最先进方法相比提高了14.4\%。此外，我们通过各种可视化的人工智能技术，包括Grad-CAM、SHAP和t-SNE，强调了ETSEF方法的鲁棒性和可信性。与那些大规模的深度学习模型相比，ETSEF可以灵活部署，并保持对具有挑战性的医学成像任务的优越性能，展示了在更多缺乏训练数据的领域应用的潜力。

解决数据稀缺对医学诊断自动化应用的影响，提高其准确性和可靠性。

提出一种新的集成框架ETSEF，利用多个预训练的深度学习模型的特征，结合传输学习和自监督学习的方法，从有限数量的数据样本中高效地学习强大的表示。同时采用数据增强技术，包括数据增强、特征融合、特征选择和决策融合等，以提高模型的效率和鲁棒性。

ETSEF在5个医学成像任务中进行了测试，包括内窥镜、乳腺癌、猴痘、脑肿瘤和青光眼检测，相对于强基线模型和现有的最先进方法，ETSEF将诊断准确性提高了10％至13.3％，甚至提高了14.4％。此外，论文还使用了多种视觉可解释的人工智能技术，包括Grad-CAM，SHAP和t-SNE，强调ETSEF方法的鲁棒性和可靠性。ETSEF相对于大型深度学习模型具有灵活部署和卓越性能的优势，适用于更多缺乏训练数据的领域。

相关研究包括：1. Zhang et al. (2020)提出了一种基于深度学习的医学图像分类方法，使用了数据增强和迁移学习技术。2. Li et al. (2021)提出了一种基于自监督学习的医学图像分割方法，利用无标签数据进行预训练。3. Zhou et al. (2021)提出了一种基于集成学习和迁移学习的医学图像分类方法，结合了多个预训练模型和数据增强技术。