机器学习研究者关于医学图像分类迁移学习的直觉
计算机视觉与模式识别
2026-05-27 v2 计算机与社会
人机交互
摘要
迁移学习在医学影像中至关重要，但源数据集的选择往往依赖于研究人员的直觉而非系统性原则，这可能影响算法的可泛化性，从而影响患者预后。本研究通过基于任务的调查调查机器学习从业者，以人机交互（HCI）视角探讨他们如何选择源数据集。不同于以往基于模型和实验 setup 的基准测试，我们从HCI角度考察从业者如何选择源数据集。我们的发现表明，选择取决于具体任务，受社区实践、数据集属性、计算（数据嵌入）或感知的视觉或语义相似性的影响。然而，相似性评估和预期性能并不总是一致的，这挑战了传统的“越相似越好”观念。此外，伦理和公平性考虑在源数据集章节中仍然大部分缺失。参与者常使用模糊的术语，这表明需要更清晰的定义和工具来使其显式和可用。通过澄清这些启发式方法并引入迁移学习因素的概念框架，本工作为更系统的源选择提供了实际见解。
引用
@article{arxiv.2510.00902,
title = {Intuitions of Machine Learning Researchers about Transfer Learning for Medical Image Classification},
author = {Yucheng Lu and Hubert Dariusz Zając and Veronika Cheplygina and Amelia Jiménez-Sánchez},
journal= {arXiv preprint arXiv:2510.00902},
year = {2026}
}
备注
Under review