Сверточные нейронные сети показывают отличные результаты в анализе медицинских изображений, однако выбор конкретной архитектуры из множества доступных остается сложной задачей. В исследовании проверяется гипотеза о том, что эффективность архитектур на наборе данных ImageNet напрямую коррелирует с их результативностью в специализированных задачах при использовании трансферного обучения. Авторы оценивают этот тезис на примере классификации меланомы, протестировав 9 различных архитектур на пяти различных вариантах разделения данных.
Исследователи изучили эффективность различных архитектур сверточных нейросетей для классификации меланомы, проверяя связь между успехами моделей на ImageNet и их работой в медицине. В работе анализируется, стоит ли использовать одну мощную модель или делать ставку на ансамбли нейросетей для повышения точности диагностики рака кожи. Результаты исследования помогают разработчикам выбирать оптимальные ИИ-инструменты для анализа медицинских изображений.