谷歌提出用于医学成像的AI转移学习的混合方法

 
医学成像是AI和机器学习的最流行应用之一，并且有充分的理由。计算机视觉算法很自然地会发现专家有时会错过的异常现象，从而减少等待时间并减轻临床工作量。也许这就是为什么尽管在全球采用AI的医疗保健组织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学成像领域都至关重要。
毫不奇怪，数据科学家将大量时间和精力投入到开发用于医疗保健系统的AI成像模型上，Google科学家在本周温哥华NeurIPS会议上接受的一篇论文中详细介绍了其中的一些。在《输血：了解医学成像的转移学习》一书中，来自Google Research(Google业务的研发部门)的合著者研究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，是重新训练，通常在代表各种类别的基准数据集上对算法进行训练。接下来是微调，将在其中针对感兴趣的特定目标任务进行进一步培训。预训练步骤可帮助模型学习可在目标任务上重用的常规功能，从而提高其准确性。
根据团队的说法，迁移学习并不是AI培训技术的最终目标。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，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。他们分析并比较了为解决医学成像任务而训练的不同模型中的隐藏表示(即在模型的潜在部分中学习到的数据的表示)，计算了从零开始训练的模型与在ImageNet上训练的模型之间的某些表示的相似性得分。研究小组得出结论，对于大型模型，从头开始学习的表示形式往往比从迁移学习中获得的表示形式相似得多，而对于较小的模型，表示相似度得分之间存在更大的重叠。
为了纠正这些问题和其他问题，团队提出了一种混合学习转移学习的方法，该方法不是重用完整的模型体系结构，而是仅重用了一部分模型，其余部分进行了重新设计以更好地满足目标任务。他们说，它赋予了转移学习的大部分好处，同时进一步实现了灵活的模型设计。 Google研究科学家Maithra Raghu和Chichi Zhang在博客中写道：“转移学习是许多领域的核心技术。” “仍然存在许多有趣的悬而未决的问题，[我们]期待在未来的工作中解决这些问题。”
这项工作是在Google详细介绍了能够以人类水平准确分类胸部X射线的AI之后不久进行的。在最近的另一项研究中，这家科技巨头的团队声称已经开发出了一种机器学习模型，该模型可以像皮肤科医生一样准确地检测出26种皮肤状况，并且其肺癌检测AI的表现优于六名人类放射科医生。