由于医疗数据的多样性和数据收集和注释的费用高昂，数据不足和异质性是表示学习在医学机器学习中的挑战。为了从如此有限和异构的医疗数据中学习可泛化的表示，我们的目标是利用各种学习范式来克服这个问题。在本文中，我们系统地探索了有限数据、数据不平衡和异构数据的机器学习框架，使用跨领域学习、自我监督学习、对比学习、元学习、多任务学习和鲁棒学习。我们提出了不同医疗应用的研究，如临床语言翻译、超声图像分类和分割、医学图像检索、皮肤诊断分类、病理元数据预测和肺部病理预测。
内容中包含的图片若涉及版权问题，请及时与我们联系删除
评论
沙发等你来抢