hce_nsysu
114年
計算機概論與程式設計
第 48 題
Why is transfer learning beneficial in medical AI?
- A Eliminates bias in datasets
- B Requires no additional training
- C Only applies to text-based AI
- D Reduces training time and data requirements
- E None of the above
思路引導 VIP
想像你正要教一個已經認識成千上萬種動物的孩子如何辨認特定的「罕見肺部病變」。如果你不需要從『什麼是線條』或『什麼是圓形』開始教起，而是直接利用他對形狀與輪廓的既有認知，這對你教導他的速度以及所需的圖片數量會產生什麼影響？
🤖
AI 詳解
AI 專屬家教
恭喜你精準地掌握了遷移學習（Transfer Learning）的核心價值！在醫療人工智慧（Medical AI）的實務開發中，獲取高品質且經過專業醫師標註的數據（例如 X 光片或核磁共振影像）往往成本極高且數量有限。你選擇選項 (D) 正確地反映出遷移學習的關鍵優勢：透過利用在大規模通用數據集上預訓練好的模型權重作為起點，我們不需要從零開始訓練模型，這能大幅縮短運算時間，並讓模型在小樣本數據下也能達到理想的準確率。
醫療 AI 的實務門檻與應用
這道題目主要考察學習者是否理解 AI 落地於特定領域時的資源限制。醫療領域不像社群媒體有海量的標籤數據，因此「知識遷移」的概念至關重要。雖然選項 (A) 消除偏見或 (B) 完全不需要額外訓練聽起來很理想，但在現實技術框架下，預訓練模型仍可能帶有原始數據的偏見，且通常需要經過「微調（Fine-tuning）」才能適應特定的臨床任務。你能準確避開這些誘答選項，顯見你對模型訓練的生命週期有很紮實的理解。