近日，吴恩达团队新技术论文论文登「自然」，该论文名为：“AppendiXNet：使用视频预训练从 CT 检查小数据集中利用深度学习诊断阑尾炎”。以下为论文概述：用于数字医学中复杂任务的深度学习算法的开发依赖于大型标签训练数据集的可用性，且这些训练数据集通常包含数十万个示例。该研究目的是开发一个 3D 深度学习模型 AppendiXNet，该模型使用少于 500 个训练 CT 考试的小型训练数据集来检测阑尾炎。我们探索了在大量视频上对模型进行预训练是否比从头开始训练模型会提高模型的性能。AppendiXNet 已在名为 Kinetics 的大量 YouTube 视频上进行了预训练，该视频由大约 500,000 个视频剪辑组成，并为 600 种人类行为分类之一进行注释，然后在一个以阑尾炎为注释的 438 个 CT 扫描的小型数据集上进行微调。我们发现，在自然视频上对 3D 模型进行预训练可以将模型的性能从 AUC 的 0.724（95％CI 0.625，0.823）显着提高到 0.810（95％CI 0.725，0.895）。当训练数据有限时，深度学习在使用视频预训练的 CT 检查中检测异常的应用可以有效地推广到其他具有挑战性的断面医学成像任务。