本文提出了MedSelect，这是一种使用元学习和深度强化学习进行医学图像解释的选择性标记方法！MedSelect将通过选择性标记有限数量的医学图像来促进分类模型的开发并改善模型训练。单位：斯坦福大学(吴恩达团队), 哈佛大学
我们提出了一种在有限标签资源的情况下使用元学习和深度强化学习进行医学图像解释的选择性学习方法。 我们的方法MedSelect，包括一个可训练的深度学习选择器，它使用从对比预训练中获得的图像嵌入来确定要标记的图像，以及一个非参数选择器，它使用余弦相似度对看不见的图像进行分类。 我们证明，MedSelect学习有效的选择策略，在对胸部X光片进行解释的可见和不可见医疗条件中，其性能优于基线选择策略。我们还对MedSelect进行的选择进行了分析，比较了潜在嵌入的分布和临床特征，并发现与性能最强的基线相比存在显著差异。我们相信，我们的方法可能广泛适用于需要昂贵标签获取的医学成像环境。
