Bridging Data Gaps in Healthcare: A Scoping Review of Transfer Learning in Biomedical Data Analysis

在资源匮乏的环境下进行临床和生物医学研究往往面临重大挑战，因为需要高质量的数据和足够的样本量来构建有效的模型。这些限制阻碍了强大的模型训练，并促使研究人员寻求利用相关研究中的现有知识来支持新的研究工作的方法。迁移学习（TL）是一种机器学习技术，通过利用预先训练模型的知识来增强新模型的性能，为各种医疗保健领域提供了希望。尽管其概念起源于上世纪90年代，但在医学研究中应用TL仍然有限，特别是在图像分析之外。在我们对结构化临床和生物医学数据中TL应用的综述中，我们筛选了3,515篇论文，其中有55篇符合纳入标准。在这些论文中，只有2％（55篇中的一篇）利用了外部研究，而7％（55篇中的四篇）涉及隐私约束的多中心合作场景。为了在解决医疗保健研究中的区域差异，不平等和隐私约束的同时实现结构化医学数据的可操作TL，我们主张仔细确定适当的源数据和模型，选择合适的TL框架，并使用适当的基线验证TL模型。

应用迁移学习（TL）解决低资源环境下临床和生物医学研究中的数据质量和样本量问题

利用预训练模型的知识增强新模型的性能，提高医疗领域中结构化数据的可迁移性和可用性

仅有2%的研究利用外部数据进行迁移学习，4个研究解决了涉及隐私限制的多中心协作场景，需要仔细选择合适的源数据和模型，选择合适的迁移学习框架，并使用适当的基线验证迁移学习模型

近期相关研究包括：'A Survey on Transfer Learning for Data and Knowledge Sharing in Healthcare Information Systems'，'Transfer Learning for Clinical Time-series Analysis: A Survey'