【猎云网（微信号：ilieyun
）】12月10日报道（编译：何弃疗）
医学成像是人工智能和机器学习领域最受欢迎的应用之。计算机视觉算法天生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77%的从业者还是认为AI对整个医疗成像领域很重要。
不出所料，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：理解医学影像学的转移学习》一书中，来自Google Research（谷歌业务的研发部门）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一般特性，从而提高其准确性。
根据团队的说法，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，他们比较了一系列用于诊断糖尿病视网膜病变和5种不同疾病的模型结构，其中一部分是在开源图像数据集（ImageNet）上预训练的。他们报告说，转移学习对医学成像任务的性能没有“显著”影响。此外，一系列简单、轻量级的模型可以在与标准体系结构相当的级别上运行。
在第二项测试中，研究小组研究了迁移学习对人工智能模型所学习的特征和表示的影响程度。他们分析和比较了不同模型中用于解决医学成像任务的隐藏表示（即模型潜在部分中学习到的数据的表示），计算了从头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。研究小组得出结论，对于大型模型，从头学习的表征往往比从转移学习中学习的更为相似，而对于小型模型，表征相似性得分之间的重叠程度更大。
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。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。“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。”
这项工作是在谷歌详细介绍了一种人工智能技术后不久进行的，这种人工智能能够以人类水平的精确度对胸部X射线进行分类。在最近的另一项研究中，这家科技巨头的团队声称，他们开发了一种机器学习模型，可以像皮肤科医生一样准确地检测26种皮肤状况，并开发了一种肺癌检测人工智能，其性能超过了6名人类放射科医生。
