Definizione
Il Transfer Learning è una tecnica di apprendimento automatico che consente a un modello addestrato su un compito di riutilizzare le conoscenze acquisite per un nuovo compito correlato. Invece di addestrare un modello da zero, il Transfer Learning permette di partire da un modello pre-addestrato su un ampio dataset e adattarlo a un dataset più specifico con meno dati disponibili.
Questo approccio è particolarmente utile quando:
- I dati disponibili per il nuovo compito sono limitati.
- Il nuovo compito è simile a quello su cui il modello è stato inizialmente addestrato.
- Il tempo e le risorse di calcolo per addestrare un modello da zero sono ridotti.
Il processo di Transfer Learning prevede spesso la congelazione dei primi livelli di una rete neurale pre-addestrata, mantenendo i pesi invariati, mentre gli ultimi strati vengono riaddestrati sui nuovi dati. In alternativa, si può effettuare un fine-tuning, ovvero un riaddestramento selettivo dell’intera rete con un tasso di apprendimento più basso.
Applicazioni in medicina
- Diagnosi automatizzata da immagini mediche: Modelli di deep learning pre-addestrati su grandi dataset di immagini (es. ImageNet) vengono riutilizzati per analizzare immagini radiologiche, TAC o risonanze magnetiche, migliorando il riconoscimento di anomalie con pochi dati etichettati.
- Segmentazione di organi e lesioni: Algoritmi di segmentazione addestrati su immagini mediche generali possono essere adattati a specifici distretti anatomici o patologie.
