Nat. Biomed. Eng.| 综述：医学和医疗健康中的自监督学习

本文介绍由哈佛大学计算机科学系Rayan Krishnan 等人发表在 Nature biomedical engineering 上的一篇综述《Self-supervised learning in medicine and healthcare》。常规的深度学习模型需要大量标注的数据作为训练集，例如计算机视觉常用的数据集 ImageNet 包含了 21,000 类 1600 万张图片。然而对于医疗数据来说，想要获取这样规模的标注数据是非常困难的。一方面，标注医疗图像需要拥有专业的医疗知识；另一方面，不同于普通物体，我们一眼就可以分辨，医疗图像往往需要医学专家花费数分钟进行确认。因此，如何利用大量的无标签数据对于 AI 医疗的发展至关重要。自监督学习通过构建一系列的自监督任务来进行预训练，使得模型可以提取到更有用的特征，然后在有标签的数据集中进行进一步训练，使得模型在标注数据较少的条件下也能获得较好的泛化能力。文章展望了自监督学习应用于AI医疗的发展趋势，并介绍了两类近年来被广泛研究的用于 AI 医疗的自监督的预训练方法：对比学习和生成学习。

专知便捷查看

便捷下载，请关注专知公众号（点击上方蓝色专知关注）

• 后台回复“MSSL” 就可以获取《Nat. Biomed. Eng.| 综述：医学和医疗健康中的自监督学习》专知下载链接

                       

专知，专业可信的人工智能知识分发 ，让认知协作更快更好！欢迎注册登录专知www.zhuanzhi.ai，获取100000+AI(AI与军事、医药、公安等)主题干货知识资料！

欢迎微信扫一扫加入专知人工智能知识星球群，获取最新AI专业干货知识教程资料和与专家交流咨询！

点击“ 阅读原文 ”，了解使用 专知 ，查看获取100000+AI主题知识资料