基于视网膜图像疾病检测大模型的可迁移性验证

迁移学习通过整合源领域模型知识,优化目标领域的模型性能。但在医学领域中不同病种之间存在差异,甚至某些病种在源机构标注训练集中从未出现,这构成了典型的开放场景下的迁移学习问题,此外由于部分数据难以获取,以大批量标注来进行二次训练的工作存在困难。医学影像基础大模型的出现为这些问题提供了一种潜在解决方案,这些基础大模型是基于海量的数据进行预训练,具备强大的特征提取和学习能力,可以将其作为迁移学习的起点,将源领域的知识迁移到目标领域。基于视网膜影像疾病诊断基础大模型,从疾病种类、疾病位置、模型迁移方法的跨任务迁移能力及外部测试的跨中心迁移能力4个方面对其进行了可迁移性的验证,展示了其在解决开放场景下医学迁移学习问题中的潜力和价值,为医学影像分析技术的发展和应用提供了新的思路和方法。