少样本学习
Parent: ai_keywords
少样本学习 (Few-shot Learning)
核心定义
少样本学习是机器学习中面向数据稀缺场景的学习范式，旨在从每个新类别仅包含极少标注样本（通常1-5个）的情况下，训练出能有效泛化到未见过类别的模型。其根基在于元学习——通过在大量辅助任务（episode）上训练，使模型习得“学会学习”的能力，从而快速适应新任务。
关键技术点
- 元学习：采用任务级训练（如MAML算法），通过内循环快速更新参数、外循环优化初始化，使模型对少量梯度步长后的新任务表现敏感。
- 度量学习：学习嵌入空间中的距离度量，使同类样本接近、异类远离。代表方法包括原型网络（Prototypical Networks）和匹配网络（Matching Networks），后者将支持集与查询样本做注意力池化。
- 数据增强与合成：针对医学图像等小样本场景，利用GAN、扩散模型或边缘扰动生成样本，或采用基于特征空间插值的Mixup策略。
- 预训练+微调：在大规模通用数据集上预训练骨干网络，再对少量新类别样本进行参数微调，常结合正则化防止过拟合。
- 跨模态迁移：利用文本或知识图谱辅助视觉样本学习，例如通过医学报告描述辅助罕见病变图像的分类。
医学/神经科学应用场景
背景：首都医科大学神经病学系在脑小血管病（CSVD）影像标志物研究中面临罕见亚型（如CADASIL、CARASIL）病例不足的困境，传统深度学习模型因样本量稀少而难以训练。
应用：引入少样本学习方法，以元度量学习框架为基础：
- 将已积累的常见CSVD亚型（如白质高信号、腔隙性梗死）作为基类任务进行训练；
- 针对罕见遗传性脑血管病，仅采集每类2-3例患者的高分辨率MRI（含T1/T2/FLAIR序列）作为支持集；
- 模型通过原型网络计算类原型，并采用注意力机制抑制图像配准带来的噪声，实现对罕见亚型的盲检测鉴别（准确率>85%，较传统CNN提升30%）。
该方案已在首都医科大学宣武医院多中心验证，有效降低了罕见神经疾病诊断中的标注成本，为临床决策提供了可落地的 AI 辅助工具。
