2023年澳门太阳集团9728网站

信息技術研究生論壇（十九）

場次一、

時間：2023年9月25日（星期一）15:00-17:00

地點：澳门太阳集团9728网站601教室

報告題目一：證據深度學習在醫學領域的應用

報告人：王一銘

報告簡介：不确定性在我們日常生活中廣泛存在，即使在對精确性與可靠性要求較高的領域如醫學中也是如此。在醫學人工智能算法的研究中，不确定性的存在常常會導緻各種問題，影響算法的準确性與可靠性，如何有效地量化與降低醫學人工智能算法的不确定性是一個非常有意義的研究問題。證據深度學習（Evidential Deep Learning，EDL）是一種新型不确定性深度學習方法，它将深度學習算法的輸出轉化為高階證據分布，能夠高效量化偶然不确定性與感知不确定性，使得深度學習算法具備更好的魯棒性和可解釋性。證據深度學習的引入對于醫學人工智能算法來說具有重要的意義，通過準确量化不确定性，醫學人工智能算法可以更好地為醫務人員提供決策支持，幫助他們做出更準确的診斷和治療方案。此外，證據深度學習還能夠提供算法的解釋能力，使得醫務人員更容易理解和接受算法的建議和結果。

報告題目二：基于癌症多組學數據的可信學習方法研究

報告人：李世源

報告簡介：在癌症研究中，多組學數據可以提供更全面的生物信息，有助于揭示癌症的發生機制和輔助診斷。然而，多組學數據也存在一些挑戰，例如不同樣本或同一樣本在不同組學之間的數據質量可能有很大的差異，導緻不同組學對于同一樣本的決策可能不一緻或沖突。這種情況下，如何正确融合不同組學的決策，以提高最終決策的準确性和可靠性，是一個重要而困難的問題。本報告将介紹一種基于故障檢測和置信度評估的可信學習方法，用于解決多組學數據背景下的分類任務。故障檢測可以識别出那些可能産生錯誤或不确定決策的組學，從而排除其影響；置信度評估可以量化每個組學對于其決策的信心程度，從而加權其貢獻。本報告将采用真實類概率（True Class Probability，TCP）作為置信度評估的指标，與常用的最大類概率（Maximum Class Probability，MCP）進行比較。TCP可以更自然地反映模型對于真實類别的判斷能力，而MCP則容易出現過度自信的現象。本報告将展示該方法在癌症多組學數據上的實驗結果，并探讨其在生物标志物篩選方面的潛在應用。

報告題目三：基于深度神經網絡的多任務學習研究

報告人：黃力

報告簡介：多任務學習通過同時使用多個任務的數據來訓練機器學習模型，并利用共享表示學習相關任務之間的共同思想。這種方法提高了數據效率，可能加快了相關或下遊任務的學習速度，有助于解決深度學習中的大規模數據和計算需求的問題。多任務學習反映了人類學習過程中的跨領域知識集成，在學習新事物時，會利用已有知識進行快速學習，這種能力依賴于抽象概念和知識的遷移。因此，開發能夠執行這種過程的系統是多任務學習和元學習領域的目标。然而，多任務學習也存在困難。不同任務可能存在相互沖突的需求，提高一個任務的性能可能會損害其他任務的性能，這被稱為負遷移或破壞性幹擾。因此，最小化負遷移是多任務學習的關鍵目标。現有的多任務學習方法通常被分為硬參數共享和軟參數共享兩組。硬參數共享是在多個任務之間共享模型權重，以聯合最小化多個損失函數。軟參數共享則是為不同任務的模型添加任務間距離，并将其納入聯合目标函數中。除此之外，還有任務關系學習，專注于學習任務之間關系的表示方法。

報告題目四：基于元遷移學習的小樣本醫學影像方法研究

報告人：黃元祥

報告簡介：醫學影像分析是一種利用機器學習技術對醫學影像進行分析和處理的方法，它可以幫助醫生進行診斷、預測和治療。然而，醫學影像分析面臨着一個重要的挑戰，就是數據的小樣本問題。由于醫學影像的獲取成本高、隐私敏感、标注困難等原因，很難獲得大量的高質量的醫學影像數據，這導緻了模型的過拟合、泛化能力差、遷移能力弱等問題。為了解決這個問題，本報告提出了一種基于元遷移學習的小樣本醫學影像學習方法。元遷移學習是一種結合了元學習和遷移學習的機器學習框架，它可以利用多個源域的數據來快速适應目标域的少量數據，從而提高模型的泛化能力和遷移能力。遷移學習是旨在将已學習的知識應用于新任務中，而元學習則關注如何從少量樣本中快速學習新任務。結合這兩種方法，基于元遷移學習的研究可在小樣本場景下具有巨大潛力，尤其是在醫學影像任務中，可為臨床醫生提供更準确、高效的輔助診斷手段。本報告旨在介紹一種基于元遷移學習的小樣本醫學影像方法，以便在醫學影像數據稀缺的情況下，有效地解決分類、分割或檢測等任務。通過構建合适的元學習模型和遷移策略，我們可望在具有挑戰性的小樣本醫學影像數據集上實現優越的性能。