关键词：
前面我们已经学习了如何处理类别不平衡。这节课我们来探讨第二个挑战-多任务挑战
目前为止，我们已经研究了二分类，我们关心的是一个例子是否是有 mass 疾病。
然而，在现实世界中，我们关心的是对许多此类疾病的存在与否进行分类。现在，一个简单的方法是让每个模型学习分别学习这些任务中的一个。即A模型学习是否有肺炎，B 模型学习是否有气胸等。
当然，我们可以学习使用一个模型来完成所有的任务。即多任务学习。
这样做的一个好处是，我们可以学习识别多种疾病的共同特征，从而使我们能够更有效地利用现有数据。这是多任务学习的设置。
让我们看看如何训练算法同时学习所有这些任务。
如图，这些例子不再是一个标签，而是每个疾病都有一个标签。零表示没有该疾病，而1表示该疾病的存在。
假设我们这里的任务是预测胸片中是否包含3中疾病（mass, pneumonia, edema）(肿块，肺炎，水肿)。
如患者P1，标签为（0，1，0）。表示没有肿块，有肺炎，没有水肿。
该模型不再有一个输出，而是有三个不同的输出，表示三种不同疾病的概率。
为了训练这样一个算法，我们还需要将损失函数从二分类loss 修改为多任务loss。让我们看看如何做到这一点。
多任务损失函数
我们修改了损失函数，这样我们就可以看到与每种疾病相关的误差。我们可以用多种疾病的损失之和来表示我们的新损失。如图中公式。
这称为multi-label(多标签), multi-task(多任务)损失。
在这个图中，我们给出了每个例子的预测概率，以及每个类别下对应的loss。
比如对于P1患者，mass疾病的预测概率为0.3， loss为0.52。pneumonia预测概率为0.1， loss为0.7。edama的预测概率为0.8， loss为0.7。对于P1，总的loss为它们之和。
最后要考虑的是如何在多任务设置中解释类不平衡。
再一次，我们可以应用之前我们已经学过的加权损失。
只不过，在二分类中，阳性和阴性的权重分别只有一个。
但，对多分类而言，有几种疾病，就有几个不同的权重设置。比如，在图片中，对mass疾病而言，它有 w p w_p wp,也有 w n w_n wn。
同样，pneumonia和edema也有 w p w_p wp, w n w_n wn。
文章持续更新，可以关注微信公众号【医学图像人工智能实战营】获取最新动态，一个关注于医学图像处理领域前沿科技的公众号。坚持已实践为主，手把手带你做项目，打比赛，写论文。凡原创文章皆提供理论讲解，实验代码，实验数据。只有实践才能成长的更快，关注我们，一起学习进步~
我是Tina, 我们下篇博客见~
白天工作晚上写文，呕心沥血
觉得写的不错的话最后，求点赞，评论，收藏。或者一键三连
吴恩达-医学图像人工智能专项课程-第一课第一周12-13节多任挑战总结(代码片段)
前面我们已经学习了如何处理类别不平衡。这节课我们来探讨第二个挑战-多任务挑战目前为止，我们已经研究了二分类，我们关心的是一个例子是否是有mass疾病。然而，在现实世界中，我们关心的是对许多此类... 查看详情
吴恩达-医学图像人工智能专项课程-第一课第一周13-15节-迁移学习+数据增强
回顾一下医学图像深度学习面临的三个挑战三个挑战我们将讨论医学图像训练算法的三个关键挑战：类不平衡挑战、多任务挑战和数据集大小挑战。对于每一个挑战，我们将介绍一到两种应对方法。类别不平衡：可以... 查看详情
吴恩达-医学图像人工智能专项课程-第一课第一周19-20节(代码片段)
让我们回顾一下上一节提出的医学图像创建数据集的三个挑战第一个挑战涉及到我们如何使这些测试集独立第二个挑战涉及我们如何对它们进行采样第三个挑战涉及我们如何设置groundtruth让我们来讨论第二个挑战：集合抽样... 查看详情
吴恩达-医学图像人工智能专项课程-第一课第一周4-5节总结(代码片段)
...了令人难以置信的成绩。然后我们将进入为医学影像构建人工智能模型的训练过程。最后ÿ 查看详情
吴恩达-医学图像人工智能专项课程-第一课第一周1-3节(代码片段)
欢迎来到医学人工智能专业。如果你已经完成了深度学习专业化或机器学习课程，并且你正在寻找更深入掌握人工智能的应用领域，这是一个很好的专业化学习。要想成为真正优秀的机器学习，最重要的事情之一就是... 查看详情
吴恩达-医学图像人工智能专项课程-第一课第一周6-10节总结+作业解读(代码片段)
现在，您已经了解了深度学习在医学图像分类问题上的一些前沿应用。本文将介绍第一课第一周6-10节的内容。主要讲解构建一个分类模型去识别胸片的肿块。以及分类模型将面临的三个挑战：类不平衡挑战、多任务挑战... 查看详情
吴恩达-医学图像人工智能专项课程-第一课第一周16-18节-如何确保数据集病人不重叠+作业解说(代码片段)
模型测试既然你已经了解了如何训练医学诊断模型，那么让我们来谈谈如何测试这样的模型。接下来你会学习如何测试这样的一个模型。您将学习如何正确使用训练、验证和测试集。以及为了评估你的模型需要强大的groundtrut... 查看详情
吴恩达-第一课第二周1-7节总结-医学深度学习模型的评估汇总(代码片段)
医学深度学习模型的评估汇总本周我们将深入探讨医学深度学习模型的评估。在医学上，由于决策具有很高的影响力，我们关心的是准确地了解模型何时对患者起作用，什么时候不起作用。您将学习一下指标，包... 查看详情
第一课第三周大作业--mri脑肿瘤自动分割教程(代码片段)
...1骰子相似系数4.2softdiceloss5创建模型5.1训练6评估作业文件吴恩达-医学图像AI专项课程-作业/第一课/第一 查看详情
吴恩达深度学习课程第一课—神经网络与深度学习—第一周练习
...网络和深度学习 第一周-深度学习简介 第1题“人工智能是新电力”这个比喻指的是什么？A.人工智能为我们的家庭和办公室的个人设备供电，类似于电力。B.通过“智能电网”，人工智能正在传递新一波的电... 查看详情
吴恩达-第一课第二周8-10节-什么是置信区间，有什么作用
在这节课中，我们将了解评估医学模型的另一个非常重要的方面，即报告我们的评估中的可变性。我们将研究如何使用置信区间来显示这种可变性。假设一家医院有5万名病人，我们想知道我们的胸部x光模型对每个人... 查看详情
第一课第一周大作业-胸部14种疾病分类-代码详解(代码片段)
...01;您将通过使用Keras构建最先进的胸部X射线分类器来探索医学图像诊断。你将学会一下内容：预处理真实世界的X射线数据集使用迁移学习重新训练DenseNet模型以进行X射线图像分类学习一种处理类别不平衡的技术 查看详情
吴恩达实验（神经网络和深度学习）第一课第三周，代码和数据集，亲测可运行
代码和数据集已上传到文件中应该可以直接下载吧（第一次上传文件，感觉是），解压后把文件夹拷贝到jupyter工作空间即可注：我对下载的代码的格式稍作了修改，原来定义函数与调用函数在两个单元格里，我直接运行他总给... 查看详情
第二课第一周大作业--构建和评估一个线性风险模型(代码片段)
之前教程：第二课第一周第1节-AI用于医学预后简介第二课第一周第2节-做医学预后，你需要掌握什么？第二课第一周第3-4节-什么是预后?第二课第一周第4-7节医学预后案例欣赏+作业解析第二课第一周第8节风险得分... 查看详情
第二课第一周大作业--构建和评估一个线性风险模型(代码片段)
之前教程：第二课第一周第1节-AI用于医学预后简介第二课第一周第2节-做医学预后，你需要掌握什么？第二课第一周第3-4节-什么是预后?第二课第一周第4-7节医学预后案例欣赏+作业解析第二课第一周第8节风险得分... 查看详情
第二课第一周1节-ai用于医学预后简介
第二门课程集中于医学预后（medicalprognosis）。预后是医学的一个分支，专门预测病人未来的健康状况。例如，根据病人的实验室结果，你能估计出未来5年内心脏病发作的风险吗？或是未来10年内死亡的风... 查看详情
第一课第三周1-2节-了解医学图像分割以及探索mri数据格式以及作业解读(代码片段)
本周将学习图像分割，图像分割在许多医学影像应用中起着至关重要的作用，例如组织大小的量化、疾病的定位和治疗计划。我们将重温您在过去两周学到的一些相同的想法，看看它们是如何扩展到图像分割的。在本... 查看详情
第二课第一周2节-做医学预后，你需要掌握什么？
...设计重点在于为你提供概念和实用工具。你需要成功地为医学建立机器学习模型。对于这门课程，你不需要任何深入学习方法的背景知识，也不需要任何医学背景。不过，在你上这门课之前，我建议你先满足三个... 查看详情