Tıbbi görüntü analizinde yapay zeka kullanımı hızla yaygınlaşırken, özellikle onkoloji alanında etiketli klinik verinin kısıtlı olması önemli bir engel oluşturuyor. Bu sorunu aşmak için geliştirilen Az-Örnekli Öğrenme (Few-Shot Learning) yöntemleri, sınırlı veri ile etkili teşhis yapabilmeyi hedefliyor.
Araştırmacılar, standart Prototipal Ağların beyin tümörü görüntülerinde karşılaştığı 'prototip kararsızlığı' sorununa odaklandı. Bu problem, beyin tümörü taramalarındaki morfolojik gürültü ve yüksek sınıf içi varyanslardan kaynaklanıyor ve teşhis doğruluğunu olumsuz etkiliyor.
Geliştirilen Kaos-Geliştirilmiş ProtoNet (CE-ProtoNet) sistemi, ResNet-18 omurgasına entegre edilmiş doğrusal olmayan bir Logistik Kaos Modülü içeriyor. Bu sistem, logistik kaos haritasının deterministik ergodiklik özelliğini kullanarak, episodik eğitim sırasında destek özelliklerine kontrollü bozulmalar enjekte ediyor.
Bu yaklaşım, gömme uzayını 'stres testine' tabi tutarak modelin gürültüye karşı dayanıklı temsiller öğrenmesini sağlıyor. Hesaplama yükü artırmadan gerçekleştirilen bu işlem, sistemin daha istikrarlı performans göstermesini mümkün kılıyor.
4-yönlü 5-atışlık beyin tümörü sınıflandırma görevinde yapılan testlerde, %15 oranındaki kaotik enjeksiyon seviyesinin yüksek performansı stabilize etmede etkili olduğu belirlendi.