图灵奖得主 LeCun 用来怼 Google 的乳腺癌 AI 论文，有何过人之处？( 七 )_2020年的第一天

（i）我们提出了一种新的两阶段神经网络，将全局和局部信息结合起来，并采用适当的训练方法。这使得我们可以使用一个非常高容量的patch-level网络来学习pixel-level标签，同时使用另一个网络来从整体上学习乳房级标签。

通过这种策略，我们的模型不仅实现了与人类相当的竞争成绩，同时产生可解释的热图，显示可疑发现的位置。此外，我们还证明了像素级标签的实用性，即使在我们有很多图像级标签的情况下也是如此。

（ii）我们证明了利用超过1000000张高分辨率乳腺X线摄影图像（这是医学成像中的一个非常大的数据集，不仅仅是用于乳腺癌筛查）来训练和评估该网络的可行性。这对于未来的研究设计以及展示这种方法的概念和价值都具有重要价值。

（iii）我们提出了专门为医学成像设计的ResNet的新变体，用作我们网络的构建块，它在深度和宽度上做了平衡，允许模型处理非常大的图像，同时保持合理的内存消耗。

（iv）我们评估了使用具有更高噪声的相关任务（ BI-RADS分类）对网络进行预训练的效用，并发现它是管道中一个非常重要的部分，显著提高了我们模型的性能。这在大多数数据集都很小的医学影像研究中特别重要。

图灵奖得主 LeCun 用来怼 Google 的乳腺癌 AI 论文，有何过人之处？( 七 )