深度学习在医学影像智能处理中的应用与挑战

利用深度学习方法对医学影像数据进行处理分析，极大地促进了精准医疗和个性化医疗的快速发展。深度学习在医学图像领域的应用较为广泛，具有多病种、多模态、多组学和多功能的特点。为便于对深度学习在医学图像处理领域的应用进行更深入有效的探索，本文系统综述了相关研究进展。首先，从深度学习在影像基因组学中的应用出发，理清了深度学习在医学影像领域应用的一般思路和现状，将医学影像领域分为智能诊断、疗效评估和预测预后等3个模块，并对模块内的各病种进行总结，展示了深度学习各算法的优缺点及面临的问题和挑战。其次，对深度学习中出现的新思路、新方法以及对传统方法的改进进行了阐述。最后，总结了该领域现阶段面临的问题，并对未来的研究方向做出了展望。基于深度学习的医学图像智能处理与分析虽然取得了一些有价值的研究成果，但还需要根据临床的实际需求，将深度学习与经典的机器学习算法及无创并且高效的多组学数据结合起来，对深度学习的理论和方法进行深入研究。

http://www.cjig.cn/jig/ch/reader/view_abstract.aspx?file_no=20210206&flag=1

我国医学影像数据正以 30% 的速度逐年增长, 大量的医学影像数据给临床医生的工作带来了极大挑战,也为疾病诊疗模式的变革带来了机遇。人工 智能依靠强大的图像识别、数据挖掘和深度学习技 术,可有效解决医学影像大数据处理难题,显著提高 数据分析的效率和准确性,提升了健康与诊疗的效 益及价值(Limkin 等,2017)。深度学习在医学图像智能处理与分析中涉及多个病种、多种图像模态和 多组学,并且能实现多种功能。如眼底病变识别、皮 肤癌识别、脑部疾病预测、鼻咽癌精准放疗靶区勾画 和肺结节良恶性分类等。

针对眼底病变,应用深度学习提出了一种自动 检测眼底图像中糖尿病视网膜病变和糖尿病黄斑水 肿的算法,对基层医生正确筛选患者有着重要意义 (Gulshan 等,2016;Ting 等,2017),但由于训练样本 及专家分级的限制,无法处理大多数眼科医生也无 法识别的细微图像,不能代替综合眼科检查。Kermany 等人(2018)提出基于深度学习的卷积神经网 络 Inception V3 模型和迁移学习( transfer learning, TL)的诊断模型,用于眼底疾病的分类,并在儿童肺 炎诊断上验证了该模型的泛化性能,实现了秒级判 定和人工智能精确指导抗生素合理使用的功能。针 对皮肤癌,Esteva 等人(2017) 使用卷积神经网络 Inception V3 对皮肤癌图像进行分类,准确率达到 91% ,可与专业医生媲美。针对肺癌,Coudray 等人 (2018)使用迁移学习和 Inception V3 模型对非小细 胞肺癌( non-small cell lung cancer,NSCLC) 病理图 像进行分类,结果表明深度学习模型可以为专家和 患者提供快速、准确和廉价的癌症类型或基因突变 检测,对癌症治疗产生了重大影响。针对脑部疾病, Choi 和 Jin(2018) 提出一种深度卷积神经网络,使 用18 F-脱氧葡萄糖( 18 F-Fluorodeoxyglucose, 18 F-FDG) PET(positron emission tomography)图像准确预测阿 尔茨海默氏症(Alzheimer’ s disease,AD) 和轻度认 知障碍( mild cognitive impairment,MCI) 患者,可以 尽快确定并有效治疗受试者。Lee 等人(2019)训练 小样本 的 头 部 计 算 机 断 层 扫 描 ( computed tomography,CT)图像创建人工智能诊断平台,诊断颅内 出血的准确率能与医生媲美。该平台通过对小样本 数据的增强处理,解决了深度学习样本量的问题,决 策过程及诊断依据的可视化解决了人工智能算法的 黑盒问题。针对鼻咽癌,中山大学孙颖团队首次利 用人工智能实现了全期鼻咽癌精准放射治疗靶区自 动勾画(Lin 等,2019)。针对计算机视觉问题,由于 缺乏大型高质量已标注数据集,医学影像的深度学 习研究一度面临巨大挑战,对此,Xie 等人(2019)提 出了一种基于多视角知识协同( multi-view knowledge-based collaborative,MV-KBC)深度学习模型,使 用 ResNet-50 网络对胸部 CT 图像进行肺结节良恶性分类,结果明显优于当前最先进的方法。随着人 工智能的高速发展,曾经的巨大挑战正在逐步攻破。

深度学习在医学图像及其涉及的医学领域的应 用十分广泛,且算法改进与实验思路多样。为帮助 医学图像智能处理领域的研究者进行高效的探索和 应用开发,本文首先阐述深度学习的发展历史及模 型评价,随后对深度学习中出现的新思路、新方法以 及对传统方法的改进进行较全面阐述,最后总结该 领域现阶段面临的问题并对未来的研究方向做出 展望。

专知便捷查看

便捷下载，请关注专知公众号（点击上方蓝色专知关注）

• 后台回复“医学影像” 可以获取《深度学习在医学影像智能处理中的应用与挑战》专知下载链接索引

专知，专业可信的人工智能知识分发，让认知协作更快更好！欢迎注册登录专知www.zhuanzhi.ai，获取5000+AI主题干货知识资料！

欢迎微信扫一扫加入专知人工智能知识星球群，获取最新AI专业干货知识教程资料和与专家交流咨询！

点击“ 阅读原文 ”，了解使用 专知 ，查看获取5000+AI主题知识资源