在现实中，仅仅预测健康和疾病是不够的，我们经常需要将医疗数据划分为多个类别或标签。举例来说，仅通过心律检查就可以判断心律失常的程度，而要从分析中判断房颤、室上性心动过速等哪种心律失常更为有效。

从理论上讲，医学模型生产厂家可以为每个标签建立独立的神经网络模型，但是，将这些分类模型结合到神经网络中，这样的编码是非常不现实的，如果将这些分类模型组合成一个神经网络，返回多种预测结果将会更加有用。

答：要解决这个问题，医学模型生产厂家可以使用一种方法，叫做“多类别分类”或“多标签分类”。对于多类情况，数据样本的分类是相互排斥的，而在多标签情况下，数据样本可以归入多个类别。因为患者被诊断为肺不张(肺膨胀不全)，所以在医学领域，我们通常采用多标记分型，并不意味着他/她没有心脏肥大。再一次向Sigmoid激活函数传递模型一层的分数，这样一层的每一分都将被转换为一个0到1的值，而不依赖于其他分数。

数据集大小挑战。要处理医疗数据集，另一个挑战是数据集的大小。医学模型生产厂家基于良好的体系结构，大规模的数据集对模型的性能有着重要的影响，但对于疾病患者的数据量往往是不足的。因为数据集的小，导致了高、高的方差，使得模型很难推广和优化。

答：为了解决模型优化的困难，我们可以使用一种称为“迁移学习”的方法，在这种方法中，我们从相关网络的底层学习，而不用从头开始学习。由于已有的训练，下层可以很好地用作特征提取器，因此我们可以根据数据集微调特征，这种方法优化速度更快，同时减少了训练新模型所需的数据量。