Перенос обучения для классификации медицинских изображений: обзор литературы

Введение: Перенос обучения (ПО) с использованием сверточных нейронных сетей направлен на повышение качества решения новой задачи за счет использования знаний, полученных ранее при обучении на сходных задачах. Он внес значительный вклад в анализ медицинских изображений, поскольку позволяет преодолеть проблему нехватки данных, а также экономит время и вычислительные ресурсы. Однако в большинстве исследований перенос обучения настраивался произвольно. В этом обзоре предпринята попытка дать рекомендации по выбору модели и подходов ПО для задачи классификации медицинских изображений.

Методы: Из двух баз данных, PubMed и Web of Science, было извлечено 425 рецензируемых статей, опубликованных на английском языке до 31 декабря 2020 года. Статьи оценивали два независимых рецензента; в случае расхождений привлекался третий рецензент. Отбор публикаций проводили по рекомендациям PRISMA; 121 исследование было признано соответствующим критериям обзора. Были проанализированы статьи, посвященные выбору базовых моделей и подходов ПО, включая извлечение признаков, гибридное извлечение признаков, дообучение и дообучение с нуля.

Результаты: Большинство исследований (n = 57) эмпирически сравнивали несколько моделей, далее следовали глубокие модели (n = 33) и неглубокие модели (n = 24). Среди глубоких моделей чаще всего в литературе использовалась Inception (n = 26). Что касается ПО, большинство исследований (n = 46) эмпирически сопоставляли несколько подходов для выбора оптимальной конфигурации. В остальных исследованиях применялся только один подход; при этом наиболее часто выбирали извлечение признаков (n = 38) и дообучение с нуля (n = 27). Гибридное извлечение признаков (n = 7) и дообучение (n = 3) с предварительно обученными моделями применялись лишь в немногих исследованиях.

Выводы: Проанализированные исследования показали эффективность переноса обучения при нехватке данных. Мы рекомендуем специалистам по данным и практикующим врачам использовать глубокие модели, например ResNet или Inception, в качестве экстракторов признаков: это позволяет сократить вычислительные затраты и время без снижения прогностической способности.