医学图像人工智能专项课程-深度学习用于疾病诊断-第一课第一周12-13节 多任挑战总结

前面我们已经学习了如何处理类别不平衡。这节课我们来探讨第二个挑战-多任务挑战

目前为止，我们已经研究了二分类，我们关心的是一个例子是否是有 mass 疾病。

然而，在现实世界中，我们关心的是对许多此类疾病的存在与否进行分类。现在，一个简单的方法是让每个模型学习分别学习这些任务中的一个。即A模型学习是否有肺炎，B 模型学习是否有气胸等。

当然，我们可以学习使用一个模型来完成所有的任务。即多任务学习。

这样做的一个好处是，我们可以学习识别多种疾病的共同特征，从而使我们能够更有效地利用现有数据。这是多任务学习的设置。

让我们看看如何训练算法同时学习所有这些任务。

如图，这些例子不再是一个标签，而是每个疾病都有一个标签。零表示没有该疾病，而1表示该疾病的存在。

假设我们这里的任务是预测胸片中是否包含3中疾病（mass, pneumonia, edema）(肿块，肺炎，水肿)。

如患者P1，标签为（0，1，0）。表示没有肿块，有肺炎，没有水肿。

该模型不再有一个输出，而是有三个不同的输出，表示三种不同疾病的概率。

为了训练这样一个算法，我们还需要将损失函数从二分类loss 修改为多任务loss。让我们看看如何做到这一点。

多任务损失函数

我们修改了损失函数，这样我们就可以看到与每种疾病相关的误差。我们可以用多种疾病的损失之和来表示我们的新损失。如图中公式。

这称为multi-label(多标签), multi-task(多任务)损失。

在这个图中，我们给出了每个例子的预测概率，以及每个类别下对应的loss。

比如对于P1患者，mass疾病的预测概率为0.3， loss为0.52。pneumonia预测概率为0.1， loss为0.7。edama的预测概率为0.8， loss为0.7。对于P1，总的loss为它们之和。

最后要考虑的是如何在多任务设置中解释类不平衡。

再一次，我们可以应用之前我们已经学过的加权损失。

只不过，在二分类中，阳性和阴性的权重分别只有一个。

但，对多分类而言，有几种疾病，就有几个不同的权重设置。比如，在图片中，对mass疾病而言，它有$w_p$,也有$w_n$。

同样，pneumonia和edema也有$w_p$,$w_n$。

文章持续更新，可以关注微信公众号【医学图像人工智能实战营】获取最新动态，一个关注于医学图像处理领域前沿科技的公众号。坚持已实践为主，手把手带你做项目，打比赛，写论文。凡原创文章皆提供理论讲解，实验代码，实验数据。只有实践才能成长的更快，关注我们，一起学习进步~

我是Tina, 我们下篇博客见~

白天工作晚上写文，呕心沥血

觉得写的不错的话最后，求点赞，评论，收藏。或者一键三连