醫(yī)學(xué)成像是人工智能和機器學(xué)習(xí)領(lǐng)域最受歡迎的應(yīng)用之。計算機視覺算法天生擅長于發(fā)現(xiàn)專家們有時會漏掉的異常，在這個過程中減少了等待時間，減輕了臨床工作量。也許這就是為什么盡管全球衛(wèi)生保健機構(gòu)采用人工智能的比例仍然相對較低（22%），但77%的從業(yè)者還是認為AI對整個醫(yī)療成像領(lǐng)域很重要。

不出所料，數(shù)據(jù)科學(xué)家投入了大量時間和精力來開發(fā)用于醫(yī)療系統(tǒng)的人工智能成像模型，谷歌科學(xué)家在一篇論文中詳細介紹了其中一些模型，這篇論文已被本周在溫哥華舉行的NeurIPS會議所接受。在《輸血：理解醫(yī)學(xué)影像學(xué)的轉(zhuǎn)移學(xué)習(xí)》一書中，來自Google Research（谷歌業(yè)務(wù)的研發(fā)部門）的合著者研究了轉(zhuǎn)移學(xué)習(xí)在開發(fā)圖像分類算法中的作用。

在轉(zhuǎn)移學(xué)習(xí)中，機器學(xué)習(xí)算法分兩個階段進行訓(xùn)練。首先是再培訓(xùn)，算法通常針對代表不同類別的基準數(shù)據(jù)集進行培訓(xùn)。接下來是微調(diào)，它將進一步針對感興趣的特定目標任務(wù)進行培訓(xùn)。預(yù)訓(xùn)練步驟幫助模型學(xué)習(xí)可以在目標任務(wù)上重用的一般特性，從而提高其準確性。

根據(jù)團隊的說法，轉(zhuǎn)移學(xué)習(xí)并不是人工智能訓(xùn)練技術(shù)的最終目的。在一項性能評估中，他們比較了一系列用于診斷糖尿病視網(wǎng)膜病變和5種不同疾病的模型結(jié)構(gòu)，其中一部分是在開源圖像數(shù)據(jù)集（ImageNet）上預(yù)訓(xùn)練的。他們報告說，轉(zhuǎn)移學(xué)習(xí)對醫(yī)學(xué)成像任務(wù)的性能沒有“顯著”影響。此外，一系列簡單、輕量級的模型可以在與標準體系結(jié)構(gòu)相當(dāng)?shù)募墑e上運行。

在第二項測試中，研究小組研究了遷移學(xué)習(xí)對人工智能模型所學(xué)習(xí)的特征和表示的影響程度。他們分析和比較了不同模型中用于解決醫(yī)學(xué)成像任務(wù)的隱藏表示（即模型潛在部分中學(xué)習(xí)到的數(shù)據(jù)的表示），計算了從頭開始訓(xùn)練的模型和在ImageNet上預(yù)先訓(xùn)練的模型之間的一些表示的相似性得分。研究小組得出結(jié)論，對于大型模型，從頭學(xué)習(xí)的表征往往比從轉(zhuǎn)移學(xué)習(xí)中學(xué)習(xí)的更為相似，而對于小型模型，表征相似性得分之間的重疊程度更大。

為了糾正這些問題和其他問題，團隊提出了一種混合的轉(zhuǎn)移學(xué)習(xí)方法。在這種方法中，不重用整個模型架構(gòu)，只重用一部分，其余的重新設(shè)計以更好地適應(yīng)目標任務(wù)。他們說，它提供了轉(zhuǎn)移學(xué)習(xí)的大部分好處，同時進一步支持靈活的模型設(shè)計。“轉(zhuǎn)移學(xué)習(xí)是許多領(lǐng)域的核心技術(shù)，”谷歌研究科學(xué)家Maithra Raghu和Chiyuan Zhang在博客中寫道?！霸S多有趣的開放性問題仍然存在，（我們）期待著在今后的工作中解決這些問題?！?p>

這項工作是在谷歌詳細介紹了一種人工智能技術(shù)后不久進行的，這種人工智能能夠以人類水平的精確度對胸部X射線進行分類。在最近的另一項研究中，這家科技巨頭的團隊聲稱，他們開發(fā)了一種機器學(xué)習(xí)模型，可以像皮膚科醫(yī)生一樣準確地檢測26種皮膚狀況，并開發(fā)了一種肺癌檢測人工智能，其性能超過了6名人類放射科醫(yī)生。

推廣：獵云銀企貸，專注企業(yè)債權(quán)融資服務(wù)。比銀行更懂你，比你更懂銀行，詳情咨詢微信：zhangbiner870616，目前僅開通京津冀地區(qū)服務(wù)。 (來源：獵云網(wǎng))

生成海報

免責(zé)聲明：本網(wǎng)站內(nèi)容主要來自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿，凡在本網(wǎng)站出現(xiàn)的信息，均僅供參考。本網(wǎng)站將盡力確保所提供信息的準確性及可靠性，但不保證有關(guān)資料的準確性及可靠性，讀者在使用前請進一步核實，并對任何自主決定的行為負責(zé)。本網(wǎng)站對有關(guān)資料所引致的錯誤、不確或遺漏，概不負任何法律責(zé)任。任何單位或個人認為本網(wǎng)站中的網(wǎng)頁或鏈接內(nèi)容可能涉嫌侵犯其知識產(chǎn)權(quán)或存在不實內(nèi)容時，應(yīng)及時向本網(wǎng)站提出書面權(quán)利通知或不實情況說明，并提供身份證明、權(quán)屬證明及詳細侵權(quán)或不實情況證明。本網(wǎng)站在收到上述法律文件后，將會依法盡快聯(lián)系相關(guān)文章源頭核實，溝通刪除相關(guān)內(nèi)容或斷開相關(guān)鏈接。