谷歌提出了一种用于医学成像的人工智能转移学习的混合方法

医学成像是人工智能和机器学习最受欢迎的应用之一，而且有充分的理由。计算机视觉算法自然擅长于发现专家们有时会漏掉的异常，在这个过程中减少了等待时间，减轻了临床工作量。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%)认为该技术对整个医疗成像领域很重要。

毫不奇怪，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，谷歌科学家在一篇论文中详细介绍了其中一些模型，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，来自谷歌研究(谷歌业务的研发部门)的合作者调查了转移学习在开发图像分类算法中的作用。

在转移学习中，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。预训练步骤帮助模型学习可以在目标任务上重用的常规功能，从而提高其准确性。

该团队表示，转移学习并不是人工智能训练技术的最终目的。在一项性能评估中，比较了一系列经过训练可诊断糖尿病性视网膜病变的模型体系结构和来自胸部X射线的五种不同疾病，其中一部分已在开放源图像数据集（ImageNet）上进行了预训练，他们报告说，转移学习没有•“显着”影响医学成像任务的性能。此外，一系列简单，轻量级的模型以与标准体系结构相当的水平执行。

在第二项测试中，该团队研究了转移学习对AI模型所学习的功能和表示形式的影响程度。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的一些表示的相似性得分。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。

为了纠正这些和其他问题，团队提出了一种混合的方法来转移学习，在这种方法中，不重用整个模型架构，只重用一部分，其余的重新设计以更好地适应目标任务。他们说，它提供了转移学习的大部分好处，同时进一步支持灵活的模型设计。谷歌研究科学家Maithra Raghu和Chiyuan Zhang在博客中写道:“转移学习是许多领域的核心技术。”“许多有趣的开放性问题依然存在，(我们)期待在未来的工作中解决这些问题。”

这项工作是在谷歌详细描述了一种人工智能之后不久完成的，这种人工智能能够以人类水平的精确度对x光胸透进行分类。在最近的另一项研究中，这家科技巨头的团队声称，他们已经开发出一种机器学习模型，能像皮肤科医生一样准确地检测26种皮肤状况，以及一种肺癌检测人工智能，其表现优于6名人类放射科医生。

声明：本文由易百纳技术社区编写，文章内容来自venturebeat，版权归原作者所有，转载请注明出处，如有侵权请联系删除。