心电图诊断中的迁移学习：是否有效？
机器学习
2024-06-28 v2 计算机视觉与模式识别
摘要
在真实场景中，深度学习在心电图 (ECG) 诊断中的应用往往受限于缺乏大规模标注良好的数据集，这导致人们使用迁移学习来利用从更大数据集中学到的特征。然而，迁移学习始终优于从头训练这一普遍假设从未得到过系统性验证。在本研究中，我们通过比较微调性能与从头训练的性能，涵盖了多种 ECG 数据集和深度神经网络，对迁移学习在多标签 ECG 分类中的有效性进行了首次广泛的实证研究。我们确认，对于小型下游数据集，微调是首选；然而，当数据集足够大时，从头训练可以达到相当的性能，尽管需要更长的训练时间才能赶上。此外，我们发现迁移学习与卷积神经网络的兼容性优于循环神经网络，而这两种网络是时间序列 ECG 应用中最普遍的两种架构。我们的结果强调了迁移学习在 ECG 诊断中的重要性，然而取决于可用数据量，考虑到与预训练相关的不可忽视的成本，研究人员可能会选择不使用它。
引用
@article{arxiv.2402.02021,
title = {Transfer Learning in ECG Diagnosis: Is It Effective?},
author = {Cuong V. Nguyen and Cuong D. Do},
journal= {arXiv preprint arXiv:2402.02021},
year = {2024}
}