# 半监督学习

在只有10%的CT扫描带体素级标注的条件下，一个由四个独立训练模型组成的异质集成被用于3–<6毫米肺结节的候选中心分割。与单个增强Mean Teacher相比，该集成在内部留出集上把Dice提高0.01488，在未做微调的外部LNDb上提高0.01118，两个置信区间都不含零，三个训练种子的效应方向一致。增益伴随召回上升、精确率下降，且未证明异质训练目标本身优于同质四模型集成。

在只有10%的CT扫描带体素级标注的条件下，一个由四个独立训练模型组成的异质集成被用于3–<6毫米肺结节的候选中心分割。与单个增强Mean Teacher相比，该集成在内部留出集上把Dice提高0.01488，在未做微调的外部LNDb上提高0.01118，两个置信区间都不含零，三个训练种子的效应方向一致。增益伴随召回上升、精确率下降，且未证明异质训练目标本身优于同质四模型集成。

该工作提出 PC-Seg（Progressive Cross-view Segmentation），一个五阶段课程学习框架：先用单个 2D 模型在标准 B-scan 与正交切片之间学习跨视角一致性以生成可靠体素伪标签，再蒸馏到 3D 模型，最后通过 2D/3D 集成伪标签协同训练；在 MSHC 与 Duke DME 两个公开 OCT 数据集上，仅用约 0.7% 的标注数据即取得与全监督相当的分割精度，并优于所比较的半监督与视网膜分层方法。

该工作提出 PC-Seg（Progressive Cross-view Segmentation），一个五阶段课程学习框架：先用单个 2D 模型在标准 B-scan 与正交切片之间学习跨视角一致性以生成可靠体素伪标签，再蒸馏到 3D 模型，最后通过 2D/3D 集成伪标签协同训练；在 MSHC 与 Duke DME 两个公开 OCT 数据集上，仅用约 0.7% 的标注数据即取得与全监督相当的分割精度，并优于所比较的半监督与视网膜分层方法。

该研究基于Dana-Farber癌症研究所1,825,948条化疗预约记录，构建分层机器学习流程先预测取消再预测爽约，取消与爽约的F1分别达0.76与0.82，较单阶段多项基线在少数类上提升7–10个百分点；并用半监督学习从临近取消中推断爽约原因（加权F1为0.57与0.54），再通过反事实模拟评估干预措施，发现提醒等常规策略效果有限，而提升提供者一致性与承诺式排程可同时或分别降低取消与爽约。

该研究基于Dana-Farber癌症研究所1,825,948条化疗预约记录，构建分层机器学习流程先预测取消再预测爽约，取消与爽约的F1分别达0.76与0.82，较单阶段多项基线在少数类上提升7–10个百分点；并用半监督学习从临近取消中推断爽约原因（加权F1为0.57与0.54），再通过反事实模拟评估干预措施，发现提醒等常规策略效果有限，而提升提供者一致性与承诺式排程可同时或分别降低取消与爽约。