Self-Supervised Learning for Rare Disease Diagnosis Using Limited and Imbalanced Medical Imaging Data
Notice bibliographique
Résumé
This research depends on a self-supervised learning framework as its principal methodology to enhance rare disease medical imaging diagnoses through minimal data sources that exhibit significant imbalance challenges. The proposed framework achieves accurate classification of underrepresented medical anomalies through its combination of SSL representational power together with fine-grained class rebalancing and cross-modal pretext tasks. The diagnostic system maintains interpretability through visualization methods and mapping activations at each class to enable medical analysis despite limited annotated medical data. The proposed research adds three essential components to medical imaging analysis that comprise (1) a contrastive learning encoder which extracts knowledge from unlabeled patient data to represent rare diseases, (2) a distribution-aware balancing method that corrects class bias and (3) a clinical validation process that improves diagnostic accuracy by 19% over standard CNN and transformer-based models while delivering <tex xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">$\mathbf{3 5 \%}$</tex> better F1-scores in rare class diagnosis. The SSL-based diagnostic pipeline reduces false-negative results through its mechanism which lowers detection errors by 24% thereby improving trust and operational efficiency. The research achieves improved medical AI system performance by integrating scalable self-supervised learning with interpretable diagnosis methods for use in low-resource clinical situations where risks are high. The research uses SSL approaches to process medical imaging data with imbalance while achieving optimal disease diagnosis through small expert-inputs.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,003 | 0,006 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».