专访《细胞》封面作者张康：AI诊断眼病超人类是如何做到的(2)

相较于其他大多数学习模型的“从零开始”，“迁移学习”先利用卷积神经网络（Convolutional Neural Network，CNN）学习已有的已经标记好的预训练网络系统。

以医学图像学习为例，该系统会识别预系统中图像的特点，研究人员再继续导入含有和第一层图像相似参数和结构的网络系统，最终构建出终极层级。

张康等人的系统中，第一级网络是视网膜OCT图像，第二级网络系统使用第一级的图像寻找相应的特点，通过前向传播固定低层图像中的权重，找到已经学习的可辨别的结构，再利用反向传播的方法提取更高层的权重，在其中进行反复的自我调整和反馈、传递，达到学习区分特定类型的图像的目的。

张康表示，“这个模型可以使用极少的训练图像，更快、更高效的辨认图像的特定结构。”

张康还提到，迁移学习能让深度学习变得更加可靠，还能帮我们理解深度学习的模型。比如，我们能够知晓哪部分特征容易迁移，这些特征所对应的是某个领域比较高层、抽象的一些结构型概念。把它们的细节区分开，就能让我们对这个领域的知识表达形成一个更深的理解。

“这样一来，机器就可以像生物的神经系统一样终身学习，不断地对过去的知识进行总结、归纳，让一个系统越学越快，而且在学习过程中还能发现如何学习。”张康认为，“迁移学习”在深度学习上面有极为广阔的应用前景，在图像数据资源有限的医疗领域，更高效、所需图像数量更少的“迁移学习”，可以说是未来5年内AI发展的热点以及深度学习成功应用的驱动力。

致盲性眼病诊断超越人类专家

张康等人将上述“迁移学习” 主要应用于诊断视网膜OCT图像。

视网膜OCT使用光来捕获视网膜的高分辨率体内光学横截面，该截面可以形成活体视网膜组织的三维体积图像。目前，该技术已经成为眼科中最普遍使用的诊断技术之一，每年有近3000万次视网膜OCT图像产生。

论文中指出，目前OCT成像已经在全球范围内成为医生们诊断治疗某些致盲性眼病（年龄相关性黄斑变性（AMD）和糖尿病性黄斑水肿）的一项标准技术。