仅75个样本就拿下98.36%准确率！结核病检测跨数据集难题被微调破解
Few-Shot Cross-Dataset Adaptation for Tuberculosis Detection Using DenseNet
📖 AI 总结
该研究针对结核病胸部X光检测中跨数据集领域偏移问题，提出了一种基于DenseNet121的少样本跨数据集适应方法。实验以TBX11K为源域、Mendeley TB数据集为目标域，系统比较了冻结骨干网络、全量微调和从零训练三种策略在不同目标样本数量下的表现。结果显示，全量微调源域预训练模型能有效缓解领域偏移，在每类仅75个标注样本的条件下即可达到98.36%的准确率。该发现表明，在低资源临床场景中，对预训练模型进行全量微调是一种兼具高效性和实用性的领域适应策略，为医疗影像AI的跨机构部署提供了可行方案。
🔑 关键词速览
| Few-Shot | 小样本学习，指在极少标注样本下训练或适应模型的方法。 |
| Domain Shift | 域偏移，指训练数据与测试数据分布不一致导致模型性能下降的现象。 |
| DenseNet121 | 一种深度卷积神经网络架构，通过密集连接块增强特征传递和梯度流动。 |
| Fine-Tuning | 微调，在预训练模型基础上用目标数据继续训练以适配新任务。 |
| TBX11K | 一个大规模结核病胸部X光数据集，常用于源域训练。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅