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至关重要。
毫不奇怪，数据科学家投入大量时间和精力来开发用于医疗保健系统的AI成像模型，其中一些Google科学家在本周于温哥华举行的NeurIPS会议上接受的一篇论文中详细介绍了该模型。在《输血：了解医学成像的转移学习》一书中，来自Google研究部(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，进行重新训练，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。
根据该团队的说法，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。
