L'Apprendimento Multi-Task Supera lo Stato dell'Arte nel Rilevamento di Anomalie Mediche

I ricercatori propongono MTL-MAD, un framework di apprendimento multi-task per il rilevamento di anomalie in immagini mediche. A differenza dei metodi recenti che si basano su un singolo compito pretext e grandi modelli pre-addestrati, MTL-MAD apprende più compiti auto-supervisionati e di pseudo-etichettatura da zero utilizzando un modello congiunto Mixture-of-Experts (MoE). Integrando diversi compiti proxy, il modello cattura rappresentazioni robuste dell'anatomia normale, consentendo il punteggio di anomalie basato sulle prestazioni del compito durante l'inferenza. Esperimenti sul benchmark BMAD, che copre molteplici modalità di imaging medico, mostrano che MTL-MAD supera tutti i concorrenti allo stato dell'arte. L'approccio dimostra che gli apprenditori multi-task possono essere molto efficaci per il rilevamento di anomalie mediche senza richiedere pre-addestramento.