从自然图像到病理图像有多少现成知识可迁移？

深度学习在自然图像分类中取得了巨大成功。为了克服计算病理学中的数据稀缺问题，近期研究利用迁移学习，将自然图像中获取的知识复用于病理图像分析，旨在构建有效的病理图像诊断模型。由于知识的可迁移性在很大程度上取决于原始任务与目标任务的相似性，病理图像与自然图像在图像内容和统计上的显著差异引发了以下问题：有多少知识是可迁移的？迁移的信息是否由预训练各层同等贡献？为了回答这些问题，本文提出了一个框架来量化特定层的知识增益，在以病理图像为中心的迁移学习中进行了实证调查，并报告了一些有趣的观察结果。特别是，与随机权重模型获得的性能基线相比，尽管深层现成表示的可迁移性在很大程度上取决于特定的病理图像集，但早期层生成的通用表示确实在各种图像分类应用中传递了迁移的知识。本研究中的观察鼓励未来进一步研究特定的指标和工具，以量化迁移学习的有效性和可行性。