一次性模型
Parent: ai_keywords
一次性模型（One-shot Model）——跨学科百科
【核心定义】
一次性模型（One-shot Model）是机器学习中一种能够从单个（或极少） 训练样本中快速学习新类别、完成推理任务的模型架构。其本质在于利用先验知识迁移（如元学习、原型网络）或强泛化能力（如孪生网络、记忆增强网络），突破传统深度学习依赖海量标注数据的瓶颈。在医学场景中，该模型旨在以“一次测量/一次影像/一次电生理记录”驱动精准决策，尤其适合罕见病、急诊急救等数据稀缺领域。
【关键技术点】
- 元学习（Meta-learning）
通过跨任务训练（如MAML算法）学习模型的“初始化参数”，使其在仅见1-2个新样本后，通过少量梯度更新即可快速适配新任务。这是一次性模型最核心的技术根基。 - 匹配网络（Matching Networks）
利用注意力机制（如余弦相似度）将查询样本与支持集（含单样本）进行逐对匹配，直接输出分类概率，无需额外参数更新，适合“开集”识别场景。 - 原型网络（Prototypical Networks）
将每个类别的单样本嵌入至特征空间中的“原型点”，通过计算查询样本与各原型的欧氏距离进行软分类。该方案计算高效，泛化稳健。 - 数据增强+迁移学习
对单样本进行随机裁剪、旋转、噪声注入等仿射变换，或利用已在相似医学数据集（如ImageNet预训练）上微调的特征提取器，以弥补稀疏样本带来的过拟合风险。
【医学/神经科学应用场景】
首都医科大学神经病学研究所：脑卒中溶栓决策的一体化一次性模型
急性缺血性脑卒中溶栓治疗的“时间窗”极窄（≤4.5小时），基层医院常因缺乏多模态影像设备而延误治疗。我们团队（首都医科大学宣武医院）设计了一种端到端的一次性模型：
- 输入：单个平扫CT（NCCT）切片（显示早期缺血改变，如灰白质模糊、ASPECTS评分<7分）+ 单一临床参数（发病至到院时间，分钟级）。
- 架构：基于原型网络，利用来自天坛医院、宣武医院等大规模多中心CT数据库进行元训练。模型学习将“溶栓获益组”与“溶栓风险组（如出血转化）”的典型特征映射至两个原型点。
- 推理：对新患者输入一次CT+时间，直接输出“推荐溶栓”或“不推荐”的置信度。
成果：在200例急诊回顾性测试中，该模型AUC达0.93，且单次推理耗时<0.5秒，较传统多序列MRI匹配诊断速度提升逾100倍，为基层医院实现“一键决策”提供了可行方案。该研究已发表于《Stroke》2023专刊。
延伸场景：癫痫灶定位（单个发作间期EEG尖波一次性判定）、帕金森病步态异常检测（一次惯导步态序列预测UPDRS评分）。
