深度學(xué)習(xí)在醫(yī)學(xué)影像中的應(yīng)用： 希望還是陷阱 ?
圖片來(lái)自pratiks.info
導(dǎo)語(yǔ)：人工智能為包括醫(yī)療在內(nèi)的各方面帶來(lái)了契機(jī)。熱潮之下，興奮、爭(zhēng)議、擔(dān)憂紛至沓來(lái)?！兜诙娽t(yī)大學(xué)學(xué)報(bào)》率先推出＂人工智能與醫(yī)學(xué)＂專刊，從不同角度介紹人工智能在醫(yī)學(xué)領(lǐng)域的現(xiàn)狀，討論其未來(lái)。
撰文 | 趙亮（復(fù)旦大學(xué)數(shù)字醫(yī)學(xué)研究中心、上海市醫(yī)學(xué)圖像處理與數(shù)字診斷重點(diǎn)實(shí)驗(yàn)室）
● ● ●
近幾十年來(lái)，醫(yī)學(xué)影像技術(shù)如計(jì)算機(jī)斷層掃描（computed tomograhy，CT）、磁共振成像（magnetic resonance imaging，MRI）、正電子發(fā)射斷層成像（positron emission tomography，PET）超聲、X 線等在疾病的檢測(cè)、診斷和治療中起著重要作用。醫(yī)學(xué)影像判讀主要由放射科醫(yī)師和臨床醫(yī)師等進(jìn)行。然而，醫(yī)師的經(jīng)驗(yàn)存在較大的不穩(wěn)定性，故希望能通過機(jī)器學(xué)習(xí)技術(shù)得到改進(jìn)，使醫(yī)師受益于計(jì)算機(jī)輔助。
在醫(yī)學(xué)影像分析應(yīng)用機(jī)器學(xué)習(xí)的過程中，有意義的特征提取是目標(biāo)任務(wù)成功完成的核心。傳統(tǒng)意義上或任務(wù)相關(guān)的特征大多基于目標(biāo)領(lǐng)域中的人類專家知識(shí)。因此，非專家使用機(jī)器學(xué)習(xí)技術(shù)進(jìn)行研究具有挑戰(zhàn)性，而深度學(xué)習(xí)技術(shù)通過吸收學(xué)習(xí)過程中的特征工程步驟可有助于清除這一障礙。也就是說人工提取特征，如需要再進(jìn)行一定的預(yù)處理，然后輸入數(shù)據(jù)和學(xué)習(xí)目標(biāo)，深度學(xué)習(xí)技術(shù)就可以通過自學(xué)習(xí)的方式找到解決方案。因此，特征提取工程的負(fù)擔(dān)已從人轉(zhuǎn)移到計(jì)算機(jī)，使非機(jī)器學(xué)習(xí)專家能有效利用深度學(xué)習(xí)技術(shù)進(jìn)行醫(yī)學(xué)影像等領(lǐng)域研究或應(yīng)用。
深度學(xué)習(xí)技術(shù)能取得驚人成功得益于中央處理單元（CPU）和圖形處理單元（GPU）計(jì)算能力的進(jìn)步、大量數(shù)據(jù)的獲得以及學(xué)習(xí)算法的發(fā)展。從技術(shù)角度看，深度學(xué)習(xí)可以看作是通過建立兩層以上的網(wǎng)絡(luò)來(lái)改進(jìn)傳統(tǒng)的人工神經(jīng)網(wǎng)絡(luò)。研究表明，在深層神經(jīng)網(wǎng)絡(luò)中發(fā)現(xiàn)分層特征表示，從而可以從低層特征中提取高層特征。由于具有從數(shù)據(jù)中學(xué)習(xí)分層特征的優(yōu)良特性，深度學(xué)習(xí)已在各種人工智能應(yīng)用中獲得了優(yōu)異的性能。特別是計(jì)算機(jī)視覺領(lǐng)域的巨大進(jìn)步啟發(fā)其在醫(yī)學(xué)圖像分析中的應(yīng)用，如圖像分割、圖像配準(zhǔn)、圖像融合、圖像標(biāo)注、輔助診斷和預(yù)后、病變檢測(cè)和顯微成像分析。本文簡(jiǎn)要概述了幾種深度學(xué)習(xí)方法，然后介紹了醫(yī)學(xué)影像學(xué)中深度學(xué)習(xí)技術(shù)的相關(guān)應(yīng)用研究，并討論了深度學(xué)習(xí)技術(shù)在醫(yī)學(xué)成像中的局限性。
深度學(xué)習(xí)方法概述
深度學(xué)習(xí)是一類機(jī)器學(xué)習(xí)算法，它是利用多個(gè)級(jí)聯(lián)的非線性處理單元進(jìn)行特征提取和轉(zhuǎn)換。每個(gè)連續(xù)層使用前一層的輸出作為輸入；學(xué)習(xí)（如分類）和（或）無(wú)監(jiān)督（如模式分析）在監(jiān)視環(huán)境下的行為；學(xué)習(xí)是與不同抽象層次相對(duì)應(yīng)的多層次表示；概念的層次結(jié)構(gòu)形成；反向傳播訓(xùn)練并采用梯度下降法。深度學(xué)習(xí)的層次包括人工神經(jīng)網(wǎng)絡(luò)的隱含層和一組命題公式。它們也可能包括深生成模型中的潛在變量，如深信任網(wǎng)絡(luò)中的節(jié)點(diǎn)和深度玻爾茲曼機(jī)?，F(xiàn)有的深度學(xué)習(xí)技術(shù)包括前饋神經(jīng)網(wǎng)絡(luò)、深度置信網(wǎng)絡(luò)、深度玻爾茲曼機(jī)、深度卷積神經(jīng)網(wǎng)絡(luò)等。
前饋神經(jīng)網(wǎng)絡(luò)
前饋神經(jīng)網(wǎng)絡(luò)（圖 1）是最簡(jiǎn)單的一種神經(jīng)網(wǎng)絡(luò)，其神經(jīng)元分層排列，每個(gè)神經(jīng)元只接收前一層相連神經(jīng)元的輸出，并輸出給下一層，各層之間沒有反饋。前饋神經(jīng)網(wǎng)絡(luò)的研究始于20 世紀(jì) 60 年代，目前其理論研究和實(shí)際應(yīng)用均已達(dá)到成熟階段。對(duì)于前饋神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)，一般采用直接定型法、修剪法和生長(zhǎng)法。直接定型法是設(shè)計(jì)一個(gè)實(shí)際網(wǎng)絡(luò)。修剪法由于要求從一個(gè)足夠大的初始網(wǎng)絡(luò)開始，所以整個(gè)過程復(fù)雜漫長(zhǎng)，學(xué)習(xí)網(wǎng)絡(luò)的訓(xùn)練只是最速下降優(yōu)化過程，而對(duì)于超大初始網(wǎng)絡(luò)，它不能保證一定收斂到全局最優(yōu)解或足夠好的局部最優(yōu)解，因此，修剪法并不總是有效。生長(zhǎng)法更符合人認(rèn)識(shí)事物、積累知識(shí)的過程，具有自組織的特點(diǎn)，更具發(fā)展?jié)摿Α?/p>
前饋神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)簡(jiǎn)單、應(yīng)用廣泛，能以任意精度逼近任意連續(xù)函數(shù)和平方可積函數(shù)，還可以精確實(shí)現(xiàn)任意有限訓(xùn)練樣本集。從系統(tǒng)觀點(diǎn)看，前饋神經(jīng)網(wǎng)絡(luò)是一種靜態(tài)非線性映射，通過簡(jiǎn)單非線性處理單元的復(fù)合映射可獲得復(fù)雜的非線性處理能力；從計(jì)算觀點(diǎn)看，大部分前饋神經(jīng)網(wǎng)絡(luò)都是學(xué)習(xí)網(wǎng)絡(luò)，其分類和模式識(shí)別能力一般強(qiáng)于反饋網(wǎng)絡(luò)。
深度置信網(wǎng)絡(luò)
深度置信網(wǎng)絡(luò)（圖 2）既可用于非監(jiān)督學(xué)習(xí)，類似于自編碼機(jī)；也可用于監(jiān)督學(xué)習(xí)，即作為分類器。當(dāng)用于非監(jiān)督學(xué)習(xí)時(shí)，其目的是盡可能保留原始特征的特點(diǎn)，同時(shí)降低特征的維度[18]。當(dāng)用于監(jiān)督學(xué)習(xí)時(shí)，其目的在于盡量降低分類錯(cuò)誤率。深度置信網(wǎng)絡(luò)的神經(jīng)元組成元件是受限玻爾茲曼機(jī)。若干個(gè)受限玻爾茲曼機(jī)“串聯(lián)”起來(lái)就構(gòu)成了一個(gè)深度置信網(wǎng)絡(luò)，其中上一個(gè)受限玻爾茲曼機(jī)的隱層即為下一個(gè)受限玻爾茲曼機(jī)的顯層，上一個(gè)受限玻爾茲曼機(jī)的輸出即為下一個(gè)受限玻爾茲曼機(jī)的輸入。訓(xùn)練過程中，需充分訓(xùn)練上一層的受限玻爾茲曼機(jī)后才能訓(xùn)練當(dāng)前層的受限玻爾茲曼機(jī)，直至最后一層。
深度玻爾茲曼機(jī)
全部用受限玻爾茲曼機(jī)形成的深層模型即為深度玻爾茲曼機(jī)。如果將靠近輸入層的部分替換為貝葉斯置信網(wǎng)絡(luò)，即有向圖模型，而遠(yuǎn)離輸入層的部分仍使用受限玻爾茲曼機(jī)，則構(gòu)成深度置信網(wǎng)絡(luò)。
深度卷積神經(jīng)網(wǎng)絡(luò)
卷積神經(jīng)網(wǎng)絡(luò)是一種前映射是一個(gè)平面，平面上所有神經(jīng)元的加權(quán)賦值饋神經(jīng)網(wǎng)絡(luò)，其以卷積核構(gòu)成的神經(jīng)元可以響應(yīng)一相等。特征映射結(jié)構(gòu)采用影響函數(shù)核小的函數(shù)（如部分覆蓋范圍內(nèi)的周圍單元，對(duì)于圖像處理有出色sigmod）作為卷積神經(jīng)網(wǎng)絡(luò)的激活函數(shù)，使特征映表現(xiàn)。它包括卷積層和池化層。一般卷積神經(jīng)網(wǎng)射具有位移不變性。此外，一個(gè)映射面上的所有神絡(luò)的基本結(jié)構(gòu)包括兩層：（1）特征提取層，每個(gè)經(jīng)元共享權(quán)值減少了網(wǎng)絡(luò)自由參數(shù)的個(gè)數(shù)。卷積神神經(jīng)元的輸入與前一層局部區(qū)域相連，并提取該局經(jīng)網(wǎng)絡(luò)中的每個(gè)卷積層都緊跟著一個(gè)用來(lái)求局部平部的特征，一旦該局部特征被提取，它與其他特征均與二次提取的計(jì)算層，這種特有的 2次特征提取間的位置關(guān)系也即確定下來(lái)；（2）特征映射層，結(jié)構(gòu)減小了特征分辨率。以多層卷積神經(jīng)網(wǎng)絡(luò)作為網(wǎng)絡(luò)的每個(gè)計(jì)算層由多個(gè)特征映射組成，每個(gè)特征隱藏層即構(gòu)成了深度卷積神經(jīng)網(wǎng)絡(luò)（圖 3）。
深度學(xué)習(xí)技術(shù)在醫(yī)學(xué)影像中的應(yīng)用
分類
圖像或檢測(cè)分類是深度學(xué)習(xí)的第一個(gè)應(yīng)用領(lǐng)域之一，其對(duì)醫(yī)學(xué)圖像分析有著重大貢獻(xiàn)。在分類檢測(cè)中，一個(gè)或多個(gè)圖像（檢測(cè)）通常被用作輸入，診斷變量（如是否存在疾病）作為輸出。在這種環(huán)境中每一個(gè)診斷測(cè)試都是一個(gè)示例，數(shù)據(jù)集通常小于計(jì)算機(jī)視覺（如數(shù)百個(gè)樣本）的大小，有力推動(dòng)了該應(yīng)用程序遷移學(xué)習(xí)的普及。
遷移學(xué)習(xí)本質(zhì)是使用預(yù)先訓(xùn)練好的網(wǎng)絡(luò)（通常是在自然圖像中），試圖圍繞大網(wǎng)絡(luò)訓(xùn)練的大數(shù)據(jù)集（感知）的需求。學(xué)習(xí)策略的兩種遷移，即利用預(yù)先培訓(xùn)的網(wǎng)絡(luò)作為特征提取器和通過醫(yī)療數(shù)據(jù)網(wǎng)絡(luò)預(yù)調(diào)或微調(diào)已被廣泛使用。大量研究使用體系結(jié)構(gòu)來(lái)利用醫(yī)療數(shù)據(jù)的獨(dú)特屬性。Hosseini - Asl 等使用了三維卷積神經(jīng)網(wǎng)絡(luò)代替二維卷積神經(jīng)網(wǎng)絡(luò)來(lái)對(duì)阿爾茨海默病患者進(jìn)行分類；Kawahara 等在磁共振彌散張量成像的腦連接圖中應(yīng)用類似卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)進(jìn)行分類，他們開發(fā)了幾個(gè)新的層形成特有的網(wǎng)絡(luò)結(jié)構(gòu)，進(jìn)而使用該網(wǎng)絡(luò)結(jié)構(gòu)預(yù)測(cè)大腦的發(fā)展，結(jié)果表明新的網(wǎng)絡(luò)結(jié)構(gòu)在評(píng)估認(rèn)知和運(yùn)動(dòng)成績(jī)方面優(yōu)于現(xiàn)有的方法。
檢出
對(duì)影像中感興趣的物體或病變進(jìn)行檢測(cè)是診斷的關(guān)鍵部分，也是臨床醫(yī)師最密集的工作之一。一般任務(wù)包括完整圖像空間中小病灶的位置確定和識(shí)別。在計(jì)算機(jī)輔助檢測(cè)系統(tǒng)中有一個(gè)長(zhǎng)期的傳統(tǒng)研究，即自動(dòng)檢測(cè)病變，其可以提高檢測(cè)精度或減少人類專家的閱讀時(shí)間。
大多數(shù)深度學(xué)習(xí)目標(biāo)檢測(cè)系統(tǒng)仍使用神經(jīng)網(wǎng)絡(luò)對(duì)像素進(jìn)行分類，并以某種形式的后處理獲得候選。如 Teramoto 等使用多流卷積神經(jīng)網(wǎng)絡(luò)檢測(cè)集成 CT 和 PET 數(shù)據(jù)。Dou 等使用三維卷積神經(jīng)網(wǎng)絡(luò)在 MRI 圖像中檢測(cè)微出血。
目標(biāo)檢測(cè)與目標(biāo)分類區(qū)別明顯，原因是每個(gè)像素被分類，類平衡在訓(xùn)練設(shè)置中對(duì)非對(duì)象類有很大的偏向。此外，大多數(shù)非物理樣本容易受到歧視，阻礙了挑戰(zhàn)性樣本中深度學(xué)習(xí)方法的集中。 van Grinsven 等提出選擇性數(shù)據(jù)采樣，其中錯(cuò)誤分類的樣本常反饋到網(wǎng)絡(luò)上以聚焦視網(wǎng)膜圖像中具有挑戰(zhàn)性的區(qū)域；然后，采用滑動(dòng)窗口方式進(jìn)行結(jié)果級(jí)冗余計(jì)算，對(duì)每個(gè)像素進(jìn)行命令分類。 Wolterink 等的研究也是對(duì)象檢出方法的一個(gè)重要方面。
分割
醫(yī)學(xué)圖像中器官與其他子結(jié)構(gòu)的分割是定量分析與體積和形狀有關(guān)的臨床參數(shù)的基礎(chǔ)，其是計(jì)算機(jī)輔助檢測(cè)中重要的第一步。分割任務(wù)通常被定義為確定一組像素，這些像素構(gòu)成感興趣對(duì)象的輪廓或內(nèi)部。分割是醫(yī)學(xué)影像深入研究的最普遍的主題，也是最廣泛使用的方法，包括深度學(xué)習(xí)方法的應(yīng)用。
Dan 等最早使用深度學(xué)習(xí)算法進(jìn)行醫(yī)學(xué)圖像分割，他們?cè)陔娮语@微鏡圖像中采用逐像素分割的方法對(duì)滑動(dòng)窗口中的圖像進(jìn)行分割。Ronneberger等發(fā)表的 U-net 方法是最著名的分割方法之一。 U-net 兩個(gè)主要結(jié)構(gòu)的特點(diǎn)是結(jié)合了等量的上采樣和下采樣層，同時(shí)網(wǎng)絡(luò)結(jié)合了所謂的跳躍的相對(duì)卷積和反褶積，從訓(xùn)練角度看整個(gè)圖像可以向前方式處理，從而在分割中直接映射。這種方法允許我們利用基于塊的細(xì)胞神經(jīng)網(wǎng)絡(luò)，同時(shí)考慮到圖像的完整性。?i?ek 等的研究顯示可以用 U-net 完成三維分割。此外，還有其他基于 U-net 的分割研究，如Milletari 等在 U-net 基礎(chǔ)上改良得 V-net；Drozdzal 等研究用短程的殘差網(wǎng)絡(luò)修正長(zhǎng)程的 U-net 結(jié)構(gòu)。這些特定的分割方法有助于獲得良好的分割結(jié)果和訓(xùn)練神經(jīng)網(wǎng)絡(luò)。
配準(zhǔn)
醫(yī)學(xué)圖像的配準(zhǔn)（即空間排列）是一種常見的圖像分析任務(wù)，其中坐標(biāo)變換計(jì)算從一個(gè)圖像到另一個(gè)圖像。這通常是一種優(yōu)化的迭代框架中的一個(gè)特定類型的（非）參數(shù)變換假設(shè)和 RIC （如 L2 范數(shù)）是預(yù)定義的。目前使用比較廣泛的策略是利用深層學(xué)習(xí)網(wǎng)絡(luò)的兩種圖像驅(qū)動(dòng)迭代優(yōu)化策略相似性度量和直接回歸參數(shù)的深度回歸網(wǎng)絡(luò)。
目前已有部分通過深度學(xué)習(xí)技術(shù)來(lái)優(yōu)化配準(zhǔn)算法的嘗試[33-35]。Cheng 等使用 2 個(gè)堆疊的自動(dòng)編碼器評(píng)估頭部 CT 和 MRI 圖像之間的局部相似性，該自動(dòng)編碼器使用 CT 和 MRI 圖像的矢量化，通過 4 層進(jìn)行修復(fù)和重建；在使用無(wú)監(jiān)督補(bǔ)丁重構(gòu)網(wǎng)絡(luò)進(jìn)行預(yù)培訓(xùn)后，使用 2 個(gè)預(yù)測(cè)層對(duì)它們進(jìn)行微調(diào)，并堆疊在 SAE 的第 3 級(jí)上。這些預(yù)測(cè)層用于確定這 2 個(gè)補(bǔ)丁是相似的（第 1 類）還是不相似的（第 2 類）。 Simonovsky 等使用類似策略以不同的方式估計(jì) 2 張圖像之間的相似性；同時(shí)，他們還提出了一種利用這一測(cè)度的導(dǎo)數(shù)直接優(yōu)化轉(zhuǎn)換參數(shù)的方法，這種轉(zhuǎn)換參數(shù)是從網(wǎng)絡(luò)本身分離出來(lái)的。Miao 等[36]利用卷積神經(jīng)網(wǎng)絡(luò)通過二維 X 射線配準(zhǔn)的三維模型來(lái)評(píng)估植入物的位置，結(jié)果發(fā)現(xiàn)其配準(zhǔn)成功率高于傳統(tǒng)以純強(qiáng)度為基礎(chǔ)的配準(zhǔn)方法。Yang 等使用腦 MRI 圖像中電流/電流配準(zhǔn)的綠洲數(shù)據(jù)集，他們是基于大變形的微分同胚映射（LDDMM）配準(zhǔn)方法。
不同于分類和分割的研究，目前學(xué)術(shù)界似乎并沒有確定在配準(zhǔn)方法中整合深度學(xué)習(xí)技術(shù)的最佳途徑，相關(guān)研究不多，現(xiàn)有研究方法也不盡相同。因此，建議什么是最有前途的方法似乎不太合適，有待將來(lái)對(duì)醫(yī)學(xué)圖像配準(zhǔn)進(jìn)行更深入的研究。
小 結(jié)
醫(yī)學(xué)圖像分析領(lǐng)域已開始注意深度學(xué)習(xí)技術(shù)在這些關(guān)鍵問題上的發(fā)展。然而，從基于人工的系統(tǒng)向從數(shù)據(jù)中學(xué)習(xí)特征的系統(tǒng)的過渡是漸進(jìn)的。 Shen 等對(duì)醫(yī)學(xué)圖像分析中深度學(xué)習(xí)的應(yīng)用進(jìn)行了綜述。雖然他們進(jìn)行了大量的工作，但僅從計(jì)算機(jī)角度來(lái)理解似乎是有缺陷的。近年來(lái)，深度學(xué)習(xí)技術(shù)的新進(jìn)展為醫(yī)學(xué)圖像分析提供了新思路，它只允許從數(shù)據(jù)中發(fā)現(xiàn)圖像中的形態(tài)和（或）紋理圖案。雖然深度學(xué)習(xí)技術(shù)在許多醫(yī)學(xué)應(yīng)用研究中似乎已達(dá)到最先進(jìn)的性能，但少有結(jié)果表明它能超越傳統(tǒng)方法。同時(shí)，目前深度學(xué)習(xí)在醫(yī)學(xué)圖像分析領(lǐng)域中的研究還是以技術(shù)為主，所采用的評(píng)估指標(biāo)也是計(jì)算機(jī)領(lǐng)域的評(píng)估指標(biāo)。對(duì)于任何一項(xiàng)醫(yī)學(xué)應(yīng)用，我們更希望看到對(duì)于相關(guān)技術(shù)按照醫(yī)學(xué)規(guī)則進(jìn)行評(píng)估，例如通過多中心、隨機(jī)、對(duì)照研究的方法證明該技術(shù)比之前的技術(shù)有更顯著的優(yōu)勢(shì)。
此外，醫(yī)學(xué)圖像訓(xùn)練中的一個(gè)重要挑戰(zhàn)是大多數(shù)深度模型的訓(xùn)練樣本數(shù)目與學(xué)習(xí)參數(shù)的數(shù)量有關(guān)。因此，如何減少過擬合一直是一個(gè)問題。當(dāng)深度學(xué)習(xí)的訓(xùn)練成果被送到新的中心應(yīng)用時(shí)，模型需要遷移學(xué)習(xí)以保持性能，這種限制無(wú)疑導(dǎo)致了臨床應(yīng)用的低重復(fù)性。而穩(wěn)定性和可重復(fù)性是該技術(shù)在臨床可以被廣泛推廣使用的基本前提，因此，深度學(xué)習(xí)領(lǐng)域的相關(guān)研究者應(yīng)當(dāng)關(guān)注算法在前瞻性樣本中的可重復(fù)性如何得到保障。
此外，用于訓(xùn)練的數(shù)據(jù)質(zhì)量也是引起災(zāi)難性結(jié)果的另一原因。隨機(jī)噪聲的問題比較容易解決，它可以通過某些參數(shù)設(shè)置提高性能（技術(shù)上稱為標(biāo)簽的平滑或軟標(biāo)簽）。結(jié)構(gòu)性噪聲是不同的，它增加了一個(gè)真正不同的信號(hào)，將實(shí)實(shí)在在影響模型學(xué)習(xí)。Rolnick 等研究證明標(biāo)簽結(jié)構(gòu)噪聲將導(dǎo)致訓(xùn)練結(jié)果的性能嚴(yán)重下降。當(dāng)噪聲來(lái)自與實(shí)際數(shù)據(jù)相同的源時(shí)問題就更嚴(yán)重，因?yàn)槟Ｐ蜁?huì)混淆類，目前深度學(xué)習(xí)方法的黑箱問題會(huì)被無(wú)限放大。
除了這些技術(shù)上的問題，理論上的障礙似乎更麻煩。目前的深度學(xué)習(xí)方法并不具有因果邏輯性，僅是相關(guān)性的計(jì)算，這些方法可能對(duì)他們所能執(zhí)行的認(rèn)知任務(wù)有內(nèi)在限制。而達(dá)成我們所期望的性能目標(biāo)需要消耗的資源價(jià)值也要謹(jǐn)慎評(píng)估，以避免掉入非多項(xiàng)式時(shí)間問題的陷阱。
綜上，深度學(xué)習(xí)技術(shù)為機(jī)器學(xué)習(xí)最重要的特征提取帶來(lái)了新方法，如果深度學(xué)習(xí)技術(shù)能在所有問題上表現(xiàn)良好，將為醫(yī)學(xué)影像分析處理帶來(lái)巨大的幫助。然而，深度學(xué)習(xí)技術(shù)并不是終極算法，它只是人工智能幾個(gè)學(xué)派中連接學(xué)派的代表，其性能極限需要被合理評(píng)估。深度學(xué)習(xí)過度依賴高質(zhì)量大數(shù)據(jù)，對(duì)于醫(yī)學(xué)圖像來(lái)說其經(jīng)濟(jì)學(xué)效應(yīng)未必合適。對(duì)于深度學(xué)習(xí)技術(shù)適合應(yīng)用領(lǐng)域的拓展必須非常謹(jǐn)慎，應(yīng)在恰當(dāng)?shù)氖褂脠?chǎng)景采用相關(guān)技術(shù)，避免落入陷阱。
注：本文來(lái)自《第二軍醫(yī)大學(xué)學(xué)報(bào)》，經(jīng)授權(quán)轉(zhuǎn)發(fā)，參考文獻(xiàn)有刪減，詳細(xì)請(qǐng)參考：趙亮. 深度學(xué)習(xí)在醫(yī)學(xué)影像中的應(yīng)用： 希望還是陷阱. 第二軍醫(yī)大學(xué)學(xué)報(bào). 2018. 39（8）：859-864.
