Phương pháp tăng độ chính xác mạng Prototypical bằng Triplet Loss trong lĩnh vực y tế

Tóm tắt

Việc chẩn đoán các bệnh da liễu hiếm gặp từ ảnh lâm sàng là một thách thức lớn do số lượng mẫu gán nhãn ít và phân bố dữ liệu bất cân đối theo dạng phân phối lệch. Đây là bối cảnh điển hình của học ít mẫu, nơi mô hình phải khái quát từ rất ít ví dụ hỗ trợ. Các phương pháp phân loại truyền thống dễ bị thiên lệch lớp, dẫn đến không gian đặc trưng kém ổn định và khó nhận dạng chính xác các bệnh hiếm. Để cải thiện khả năng phân tách đặc trưng, chúng tôi bổ sung Triplet Loss vào hàm mất mát Cross-Entropy tiêu chuẩn nhằm thúc đẩy sự gần nhau giữa các mẫu cùng lớp và tăng khoảng cách với mẫu khác lớp, trong khi vẫn giữ nguyên cấu trúc bộ phân loại. Đồng thời, một số tinh chỉnh về kiến trúc backbone được áp dụng để ổn định quá trình học trong điều kiện ít dữ liệu. Kết quả thực nghiệm cho thấy việc kết hợp hai hàm mất mát giúp giảm thiên lệch lớp và nâng cao hiệu suất nhận dạng ở các lớp hiếm. Hướng mở rộng trong tương lai bao gồm hard-negative mining và các kỹ thuật meta-regularization nhằm tăng khả năng khái quát trong môi trường lâm sàng.