在現實中，僅僅預測健康和疾病是不夠的，我們經常需要將醫療數據劃分為多個類別或標簽。舉例來說，僅通過心律檢查就可以判斷心律失常的程度，而要從分析中判斷房顫、室上性心動過速等哪種心律失常更為有效。

從理論上講，醫學模型生產廠家可以為每個標簽建立獨立的神經網絡模型，但是，將這些分類模型結合到神經網絡中，這樣的編碼是非常不現實的，如果將這些分類模型組合成一個神經網絡，返回多種預測結果將會更加有用。

答：要解決這個問題，醫學模型生產廠家可以使用一種方法，叫做“多類別分類”或“多標簽分類”。對于多類情況，數據樣本的分類是相互排斥的，而在多標簽情況下，數據樣本可以歸入多個類別。因為患者被診斷為肺不張(肺膨脹不全)，所以在醫學領域，我們通常采用多標記分型，并不意味著他/她沒有心臟肥大。再一次向Sigmoid激活函數傳遞模型一層的分數，這樣一層的每一分都將被轉換為一個0到1的值，而不依賴于其他分數。

數據集大小挑戰。要處理醫療數據集，另一個挑戰是數據集的大小。醫學模型生產廠家基于良好的體系結構，大規模的數據集對模型的性能有著重要的影響，但對于疾病患者的數據量往往是不足的。因為數據集的小，導致了高、高的方差，使得模型很難推廣和優化。

答：為了解決模型優化的困難，我們可以使用一種稱為“遷移學習”的方法，在這種方法中，我們從相關網絡的底層學習，而不用從頭開始學習。由于已有的訓練，下層可以很好地用作特征提取器，因此我們可以根據數據集微調特征，這種方法優化速度更快，同時減少了訓練新模型所需的數據量。