换一批面向医学小样本数据的人工智能方法及应用研究进展
Research progress on artificial intelligence methods and applications for small sample data in medicine
摘要人工智能方法在医疗领域的发展势头迅猛,但其模型训练性能很大程度上依赖充足的样本量支撑.由于受到隐私、安全、伦理及成本等诸多因素的制约,医学领域获取大量标记训练样本颇具难度.诸如罕见病病例数量稀少、药物分子挖掘所需的生物学数据匮乏、医学图像高质量标注稀缺等问题,均可能导致模型从观测数据中学习的能力显著下降,进而导致预测性能欠佳.在此背景下,构建面向小样本数据的高效学习人工智能模型,无论是在理论还是实践层面均具有深远意义.一方面,它能在新研究早期样本不足时助力挖掘潜在规律;另一方面,高质量模型可有效降低人工注释成本,缩短研究周期,为解决医学研究中样本难以足量收集的难题提供可能.在这些预期优势与实际需求的双重驱动下,小样本数据的人工智能研究逐渐成为备受瞩目的重要方向.基于此,本综述系统梳理并总结了当前医学小样本数据领域6种人工智能方法,即生成对抗网络、图神经网络、迁移学习、强化学习、度量学习和元学习的原理、优缺点、医学适应场景及面临的主要挑战,并对医学小样本数据人工智能方法的未来发展趋势进行了全面展望与深入思考.
更多相关知识
分类号
R319（医用一般科学）TP18
栏目名称
DOI
10.12173/j.issn.1005-0698.202412135
发布时间
2025-09-18（万方平台首次上网日期，不代表论文的发表时间）
基金项目
- 浏览0
- 被引0
- 下载0
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
