论文标题：Supervised Transfer Learning at Scale for Medical Imaging 论文链接：https://arxiv.org/abs/2101.05913 作者单位：谷歌 本文深入研究了是否可以实现自然图像到医学图像的有监督迁移学习！进行大量实验（用上了ImageNet和自家的JFT），最终发现只有在数据集"足够大"、网络足够大时，迁移学习才会非常有效，可显著提高性能！ 迁移学习是一项标准技术，可以提高数据量有限的任务的性能。但是，对于医学影像，迁移学习的价值尚不清楚。这可能是由于通常的自然图像预训练（例如ImageNet）和医学图像之间存在较大的域不匹配。但是，迁移学习的最新进展已显示出规模上的实质性改进。我们调查了现代方法是否可以改变医学影像迁移学习的命运。为此，我们研究了Kolesnikov等人提出的大规模预训练网络的类别。进行三项不同的影像任务：胸部X光，乳房X光和皮肤科。我们研究在医疗领域中部署的迁移性能和关键属性，包括：分布外泛化，数据效率，sub-group公平性和不确定性估计。有趣的是，我们发现，对于其中的某些属性，从自然图像到医学图像的迁移确实非常有效，但是只有在足够规模下才能执行。

内容中包含的图片若涉及版权问题，请及时与我们联系删除