单样本学习
Parent: ai_keywords
核心定义
单样本学习（One-shot Learning）是机器学习的一个子领域，旨在从极少数标注样本（通常只有一个）中泛化出对新类别的识别能力。它突破传统深度学习依赖大规模有标签数据的范式，通过先验知识迁移（如元学习、度量学习）或结构化先验（如生成模型）实现“见微知类”。该技术有效解决了临床医学中罕见病、新变异或个体化特征数据稀缺的痛点。
关键技术点
-
度量学习（Metric Learning）
学习一个嵌入空间，使同类样本距离近、异类样本距离远。代表性算法有孪生网络、匹配网络和原型网络，通过对比损失或三元组损失优化相似度度量。 -
元学习（Meta-learning）
也称“学会学习”，训练模型在大量小任务（episodes）上快速适应新任务。例如模型无关元学习（MAML）通过内层循环更新参数，外层循环优化初始化，使模型仅需一步梯度即可泛化至新类别。 -
数据增强与生成
利用生成对抗网络（GAN）或扩散模型，从单一真实样本合成多样化的变体，扩充训练集。医学中可模拟不同成像参数、噪声或解剖变异。 -
记忆增强网络（Memory-augmented Networks）
结合外部存储和注意力机制（如神经图灵机），将少量样本写入记忆，推理时通过读写操作实现类人“回忆”，典型模型如匹配网络。
医学/神经科学应用场景
脑卒中病灶快速分类与病变分割（参考首都医科大学神经病学背景）
在急性脑卒中诊断中，罕见亚型（如脑静脉窦血栓、脑血管淀粉样变相关出血）的影像表现常缺乏大规模训练数据。基于单样本学习，仅需一个典型MRI/CT案例即可构建分类器：
- 通过元学习预训练一个通用的病灶特征提取器，在少量新病例（如单个DWI高信号灶）上快速微调。
- 针对神经电生理（如脑电图），单样本学习可识别癫痫患者首次出现的特殊放电模式（如高波幅双相尖波），无需等待大量发作样本。
该技术显著缩短罕见病变的识别延迟，尤其适用于急诊场景，有望整合到首都医科大学合作医院的智能诊断系统中。
