谷歌提出了一种用于医学成像的混合方法

编辑 | TGS 发布 | ATYUN订阅号

医学成像是人工智能和机器学习最受欢迎的应用之一。计算机视觉算法基于精密性，极为擅长于发现专家们有时会漏掉的异常。也许这就是为什么尽管全球卫生保健机构采用人工智能的比例仍然相对较低(22%)，但大多数从业者(77%)依旧认为该技术对整个医疗成像领域很重要的原因。数据科学家投入了大量时间和精力来开发用于医疗系统的人工智能成像模型，近日，谷歌科学家在一篇论文中详细介绍了其中部分，这篇论文已被本周在温哥华举行的NeurIPS会议所接受。

在《输血：理解医学成像的转移学习》一书中，谷歌科学家调查了转移学习在开发图像分类算法中的作用。转移学习中，机器学习算法分两个阶段进行训练。首先是再培训，算法通常针对代表不同类别的基准数据集进行培训。接下来是微调，它将进一步针对感兴趣的特定目标任务进行培训。最后再通过预训练步骤，帮助模型学习可以在目标任务上重用的一般特性，从而提高其准确性。

转移学习并不是人工智能训练技术的最终目的。在性能评估，以及一系列模型架构培训诊断糖尿病视网膜病变和五种不同疾病的胸部x光检查上，转移学习没有“显著”影响医学成像任务。

测试中，小组研究了迁移学习对人工智能模型学习的特征和表征的影响程度。他们分析和比较了隐藏的表现形式。在为解决医学成像任务而训练的不同模型中，计算从零开始训练的模型和在ImageNet上预先训练的模型之间一些表示的相似性得分。最终，该团队得出结论：对于大型模型，从零开始学习的表现形式往往比从转移学习中学习的表现形式彼此之间更加相似，而对于小型模型，表现形式相似度评分之间有更大的重叠。

为了纠正这些问题和其他问题，团队提出了一种混合的转移学习方法，其中不重用完整的模型体系结构，只恢复一部分，另起炉灶重新设计其余部分，以更好地适应目标任务。

他们说，它赋予了转移学习的大部分好处，同时又使模型设计更为灵活。“转移学习是许多领域的核心技术，”谷歌研究科学家Maithra Raghu和Chiyuan Zhang在博客中写道：“许多有趣的开放性问题仍然存在，（我们）期待着在今后的工作中解决这些问题。”