在医学领域,人工智能被认为在超越人类专家快速审阅大量医学影像方面极具潜力。然而,人工智能为医学成像提供临床决策的算法在可靠性和可识读性上仍存在挑战。
张康等人在这项研究中,应用的算法则是“迁移学习”(transfer learning algorithm)。论文中指出,目前传统的人工智能算法耗时且昂贵,而“迁移学习”则被认为是一种高效的技术,尤其是面临相对有限的训练数据。
所谓的“迁移学习”,就是把已训练好的模型参数迁移到新的模型来帮助新模型训练,也就是运用已有的知识来学习新的知识,找到已有知识和新知识之间的相似性。张康表示,“这实际上就相当于举一反三。”
张康进一步解释,比如,已经学会下围棋,就可以类比着来学习象棋;会打篮球,就可以类比着来学习排球;已经会中文,就可以类比着来学习英语、日语等等。如何合理地寻找不同模型之间的共性,进而利用这个桥梁来帮助学习新知识,就是“迁移学习”的核心。
相较于其他大多数学习模型的“从零开始”,“迁移学习”先利用卷积神经网络(Convolutional Neural Network,CNN)学习已有的已经标记好的预训练网络系统。
卷积神经网络
以医学图像学习为例,该系统会识别预系统中图像的特点,研究人员再继续导入含有和第一层图像相似参数和结构的网络系统,最终构建出终极层级。
张康等人的系统中,第一级网络是视网膜OCT图像,第二级网络系统使用第一级的图像寻找相应的特点,通过前向传播固定低层图像中的权重,找到已经学习的可辨别的结构,再利用反向传播的方法提取更高层的权重,在其中进行反复的自我调整和反馈、传递,达到学习区分特定类型的图像的目的。
张康表示,“这个模型可以使用极少的训练图像,更快、更高效的辨认图像的特定结构。”
张康还提到,迁移学习能让深度学习变得更加可靠,还能帮我们理解深度学习的模型。比如,我们能够知晓哪部分特征容易迁移,这些特征所对应的是某个领域比较高层、抽象的一些结构型概念。把它们的细节区分开,就能让我们对这个领域的知识表达形成一个更深的理解。
“这样一来,机器就可以像生物的神经系统一样终身学习,不断地对过去的知识进行总结、归纳,让一个系统越学越快,而且在学习过程中还能发现如何学习。”张康认为,“迁移学习”在深度学习上面有极为广阔的应用前景,在图像数据资源有限的医疗领域,更高效、所需图像数量更少的“迁移学习”,可以说是未来5年内AI发展的热点以及深度学习成功应用的驱动力。