.png){kind=icon}
返回
Reinforcement Learning-Driven Multimodal Active Learning for OCT Biomarker Classification
.png){kind=icon}
PRE
AI
DOI：10.1109/jsen.2026.3724152.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
光学相干断层扫描（OCT）是检测与糖尿病视网膜病变（DR）和糖尿病黄斑水肿（DME）相关病理生物标志物的核心技术。利用其高分辨率优势，它可以清晰可视化视网膜微结构和生物标志物特征。当前主流的OCT生物标志物检测方法大多局限于单模态成像分析，未能充分利用临床数据等互补的多模态信息，导致模型无法充分捕捉疾病的复杂病理特征。本文提出了一种由强化学习驱动的多模态主动学习框架（MALRL），用于DR/DME相关的OCT生物标志物分类。我们设计了一个Actor-Critic代理来动态调整模态重要性权重，在样本选择过程中实现自适应模态平衡。此外，在DR/DME相关的OCT生物标志物分类中，不同生物标志物表现出异质特征分布，包括视觉粒度差异、类别不平衡和模态依赖性。为应对这一挑战，我们采用了一种反馈驱动机制，结合内在奖励和外在奖励：内在奖励根据信息量、代表性和模态平衡评估候选样本，而外在奖励强化减少验证损失的采样决策。这使得RL代理能够自适应调整模态权重，并为生物标志物类别选择信息丰富且具有代表性的样本。在公开的OLIVES数据集上的实验结果表明，MALRL框架能够整合OCT图像和临床指标（如最佳矫正视力（BCVA）、中心子场厚度（CST））的互补信息，提升多模态模型的分类性能和泛化能力。
Keyword:
Active learning
Deep learning
Diabetic macular edema
Diabetic retinopathy
Optical coherence tomography( OCT)
Reinforcement learning
期刊
IF:
4.5
论文数:
2.2W
被引数:
7.3W
机构
引用论文
.png){kind=icon}
MultiEYE: Dataset and Benchmark for OCT-Enhanced Retinal Disease Recognition From Fundus ImagesMultiEYE：来自眼底图像的OCT增强视网膜疾病识别数据集与基准
PREAI
分享收藏Deep Learning-Based Clustering of OCT Images for Biomarker Discovery in Age-Related Macular Degeneration (PINNACLE Study Report 4)基于深度学习的OCT图像聚类，用于发现年龄相关性黄斑变性的生物标志物 (PINNACLE研究报告4)
OAAI
OAAI分享收藏Active Learning using Uncertainty Sampling and Query-by-Committee for Software Defect Prediction基于不确定性采样和委员会查询的主动学习在软件缺陷预测中的应用
OAAI
OAAI分享收藏
查看更多内容