在进行机器学习比赛时，将不同角度的解决方案组合在一起往往是个好主意。我和Daniel在以前的医疗比赛中一起合作过，知道他是一个非常聪明的人，且他的参赛思路一般和我不同。他是从研究的角度来看问题，而我一般以工程的角度来看问题。当我们合作时，我们确信结合两者互补的方法，能有一个很棒的解决方案。

　　我们这次组队，一开始就发现两个人对LIDC数据集中的恶性信息有完全相同的观察角度，解决方案也很相似，感到有点失望。不过幸运的是，剩余部分的设计方法完全不同，结合后显著改进了LB排名和本地CV值。下面列举出一些主要的区别。

　　表3：Julian和Daniel之间设计方法的差异

　　强强联合是一个很好的选择。虽然我因为LB得分感到担忧，但Daniel觉得应该主要关注本地CV值。所以最终我减少研究本地CV值和LB的匹配关系，并着重于改进本地CV值。在最后的排行榜上，证明这是一个很好的决定，因为在最后，第二阶段的排行榜与本地CV值相当匹配，我们获得了比赛的第二名。尽管有许多队伍，在第一阶段取得了很好的排行榜得分，后来被证明模型过拟合。

　　总结与感想

　　我们在观察网络对CT图像的结节检测时，模型效果很好。第一阶段，logloss为0.43，公开排行榜的ROC准确率为0.85，第二阶段，logloss为0.40，私人数据集的ROC准确率更高。这让我很兴奋，因为在这个数据集上，我们的模型已经是一位训练有素的放射科医生了。

　　对于放射科医师来说，这个自动结节检测的模型可能很有帮助，因为在实际判断中，部分结节容易被忽视。模型对肿瘤恶化程度的评估效果也很好，但训练样本量只有1000个，所以应该有很大的改进空间。

　　在Daniel和我合作的解决方案中，应用了相当多的工程办法，许多步骤和决定是基于经验和直觉来确定的。我们没有足够的时间来准确地验证所有方法的效果。下面提出进一步研究的一些建议。

　　1.建立放射科医师基准线。根据一个放射学家在这个数据集上的具体表现，建立一个具有参考意义的基准。

　　2.对NDSB数据集的恶性肿瘤标注。在这场比赛中，训练样本只有约1000个结节。输入更多精确标记的例子，肯定进一步提升算法准确度。

　　3.尝试更多不同的神经网络结构。我花了很少时间来选择效果最佳的网络结构，可能会错过一些效果更好的结构。

　　相关资源

　　这次比赛的Kaggle地址（含说明、数据集等）：https://www.kaggle.com/c/data-science-bowl-2017/

　　文中提到的另一个比赛LUNA16：https://luna16.grand-challenge.org/

　　该项目的完整程序请查看GitHub链接：https://github.com/juliandewit/kaggle_ndsb2017

　　Dan Hammack也公布了他的代码：https://github.com/dhammack/DSB2017/

　　（完）

　　招聘

　　量子位正在招募编辑记者、运营、产品等岗位，工作地点在北京中关村。相关细节，请在公众号对话界面，回复：“招聘”。

　　One More Thing…

　　今天AI界还有哪些事值得关注？在量子位（QbitAI）公众号会话界面回复“今天”，看我们全网搜罗的AI行业和研究动态。笔芯~

　　另外，欢迎加量子位小助手的微信：qbitbot，如果你研究或者从事AI领域，直播，小助手会把你带入量子位的交流群里。

　　追踪人工智能领域最劲内容