醫學成像是人工智能和機器學習領域最受歡迎的應用之。計算機視覺算法天生擅長于發現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生保健機構采用人工智能的比例仍然相對較低（22%），但77%的從業者還是認為AI對整個醫療成像領域很重要。

不出所料，數據科學家投入了大量時間和精力來開發用于醫療系統的人工智能成像模型，谷歌科學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：理解醫學影像學的轉移學習》一書中，來自Google Research（谷歌業務的研發部門）的合著者研究了轉移學習在開發圖像分類算法中的作用。

在轉移學習中，機器學習算法分兩個階段進行訓練。首先是再培訓，算法通常針對代表不同類別的基準數據集進行培訓。接下來是微調，它將進一步針對感興趣的特定目標任務進行培訓。預訓練步驟幫助模型學習可以在目標任務上重用的一般特性，從而提高其準確性。

根據團隊的說法，轉移學習并不是人工智能訓練技術的最終目的。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膜病變和5種不同疾病的模型結構，其中一部分是在開源圖像數據集（ImageNet）上預訓練的。他們報告說，轉移學習對醫學成像任務的性能沒有“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構相當的級別上運行。

在第二項測試中，研究小組研究了遷移學習對人工智能模型所學習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學成像任務的隱藏表示（即模型潛在部分中學習到的數據的表示），計算了從頭開始訓練的模型和在ImageNet上預先訓練的模型之間的一些表示的相似性得分。研究小組得出結論，對于大型模型，從頭學習的表征往往比從轉移學習中學習的更為相似，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移學習方法。在這種方法中，不重用整個模型架構，只重用一部分，其余的重新設計以更好地適應目標任務。他們說，它提供了轉移學習的大部分好處，同時進一步支持靈活的模型設計。“轉移學習是許多領域的核心技術，”谷歌研究科學家Maithra Raghu和Chiyuan Zhang在博客中寫道。“許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。”

這項工作是在谷歌詳細介紹了一種人工智能技術后不久進行的，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，他們開發了一種機器學習模型，可以像皮膚科醫生一樣準確地檢測26種皮膚狀況，并開發了一種肺癌檢測人工智能，其性能超過了6名人類放射科醫生。

推廣：獵云銀企貸，專注企業債權融資服務。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服務。