張 俊，侯 聰，劉新疆 ，2

1濱州醫(yī)學院附屬醫(yī)院放射科，山東 濱州 256603；2上海市浦東醫(yī)院（復旦大學附屬浦東醫(yī)院）放射科，上海201399

肺癌是世界上發(fā)病率及死亡率最高的惡性腫瘤之一［1］，全世界每年約有60萬的新發(fā)肺癌患者。降低肺癌死亡率，最關鍵的是早期發(fā)現(xiàn)及診斷，肺癌的早期多表現(xiàn)為肺內(nèi)小結節(jié)，而CT尤其是薄層高分辨率CT使得肺結節(jié)的檢出率大大提高。但是薄層高分辨率CT會使影像圖像數(shù)量增加，從而增加了放射科醫(yī)師的工作量。由于診斷醫(yī)師的疲勞以及人為主觀性，有可能導致肺結節(jié)的漏診和誤診。近年來，人工智能（AI）發(fā)展迅速，為醫(yī)學圖像的自動分析和輔助醫(yī)生實現(xiàn)疾病的高精度診斷提供了良好的機遇。AI技術是隨著大數(shù)據(jù)的進步而興起的一門新興技術，在醫(yī)學領域中得到廣泛應用，尤其在肺結節(jié)的檢測方面具有較大進展［2］。

基于AI的計算機輔助診斷（CAD）系統(tǒng)可以提高放射科醫(yī)師的工作效率和肺結節(jié)診斷的準確性。當前，深度學習（DL）是AI技術的研究熱點，該技術可以有效地完成圖像檢測、識別和分類等任務。本文總結了DL的模型及其在肺結節(jié)領域中的研究進展。

1 AI、機器學習(ML)及DL

“AI”這一概念最初于1956年提出。AI是計算機科學的一個分支，是一門用于研究模仿和拓展人類智能的理論及應用系統(tǒng)的新興技術類科學。AI技術能夠從圖像中獲得肉眼容易忽視和（或）無法提取的各種信息，從而提高對圖像的診斷效能，概括來說，AI代表了機器模仿人類認知功能的能力。

ML是用來定義計算機從數(shù)據(jù)積累中自動學習的AI領域。機器學習算法隨著數(shù)據(jù)的增加而進化，它們并不是完全基于規(guī)則，而是隨著經(jīng)驗的進步，學會通過評估大量數(shù)據(jù)給出具體的答案。在醫(yī)學中，機器學習指的是一種能夠改進和學習識別疾病特征模式的系統(tǒng)。

DL是ML的一個子集，實質(zhì)是通過構建含大量隱藏層的ML模型。它可以通過海量訓練集來學習有價值的特征，從而提升分類或診斷的準確性。DL意味著計算機擁有多層算法，這些算法相互連接，并按重要性分層。這些層從輸入中積累數(shù)據(jù)，并提供輸出，一旦AI系統(tǒng)從數(shù)據(jù)中學習到新的特征，輸出就會逐步改變。

ML是AI的一個分支，而DL則是ML的一種。概括來說，AI是使計算機或軟件模仿人類學習和解決問題等功能的技術；ML是一種AI技術，在沒有明確編程的情況下自動學習與改進；DL是使用多層神經(jīng)網(wǎng)絡算法的ML技術。

2 DL模型及其在肺結節(jié)中的應用

DL模型通常分為監(jiān)督學習和非監(jiān)督學習兩種形式，其中監(jiān)督學習需要使用帶有分類標簽的數(shù)據(jù)，此類模型包括卷積神經(jīng)網(wǎng)絡（CNN）和海量訓練人工神經(jīng)網(wǎng)絡（MTANN）；非監(jiān)督學習則使用無標簽數(shù)據(jù)，此類模型包括自編碼器（AE）和深度信念網(wǎng)絡（DBN），目前最常用的模型是CNN。

2.1 CNN

CNN是監(jiān)督學習下的代表性深度學習模型，是端到端機器學習中的一種類型。它的主要構成分為卷積層、池化層和全連接層。卷積層利用特定大小的卷積核對圖像卷積，從而學習和提取抽象的、深層次的特征。池化層常被放置在卷積層后，主要作用是對提取到的特征進行壓縮和降維，從而減少運算數(shù)據(jù)量。全連接層則主要將最終獲得的特征映射到輸出層。應用于肺結節(jié)領域的的CNN主要包括二維CNN（2D-CNN）和三維CNN（3D-CNN）以及多流、多尺度的CNN（MMCNN）等。

2D-CNN是最早應用于肺結節(jié)的深度網(wǎng)絡模型，其不受肺部CT圖像層厚的影響，且處理數(shù)據(jù)速度快，所需資源少。2D-CNN相比傳統(tǒng)神經(jīng)網(wǎng)絡，增加了卷積層和降采樣層，有利于減少肺結節(jié)圖像的特征維數(shù)，但2DCNN提取的是單張圖像的特征，這樣容易造成模型過度擬合，進而導致診斷效能下降。而3D-CNN將單張的CT圖像堆積成連續(xù)的肺結節(jié)立方體，卷積核與每張圖像進行連接并運算，極大地提高了識別精度。因此，在使用相同網(wǎng)絡參數(shù)設置對相同的數(shù)據(jù)集進行分類識別時，3D-CNN比2D-CNN具有更高的準確率。

Hua等［3］在2015年將2D-CNN應用于肺結節(jié)的分類中，解決了傳統(tǒng)CAD性能穩(wěn)定性差、人工制定的診斷規(guī)則不全面和準確率較低等問題；但2D-CNN會丟失肺結節(jié)的空間立體信息。有研究提出將3D-CNN應用于肺結節(jié)分類的想法并設計了2個不同結構的3D-CNN在相同的數(shù)據(jù)集進行訓練和測試，通過對實驗結果所生成的受試者操作特征曲線進行評估［4］，該實驗表明，3DCNN的效果較好，并且其不需要依靠特定的專業(yè)知識，通過不斷學習便有助于系統(tǒng)的進一步完善，從而提高了肺結節(jié)的診斷效率和準確性，但是3D-CNN存在特征較多、數(shù)據(jù)量較大和計算時間較長等問題。

有研究提出了一種基于MMCNN的肺結節(jié)檢測方法［5-6］，此方法不需要進行分割等預處理操作，可以直接處理原始數(shù)據(jù)，相比于只能提取單一尺度特征的卷積神經(jīng)網(wǎng)絡。MMCNN方法能夠提取到多尺度的特征，從而更加有利于肺結節(jié)的分類。

2.2 MTANN

MTANN是另一種類型的端到端的機器學習，它包含多層人工神經(jīng)網(wǎng)絡，全連接網(wǎng)絡是其核心處理單元。它的特點是直接以候選肺結節(jié)CT圖像的灰度值作為輸入，但它的輸出是一幅圖像。在得到輸出圖像后，采用加權和的方式進行輸出圖像的量化。不同類型的肺結節(jié)有不同的分布特征，通過量化分析圖像像素的分布特征可將肺結節(jié)進行分類，達到了圖像處理與模式識別的目的。該模型減少了由于特征提取和分析導致的誤差，非常適合在小樣本數(shù)據(jù)應用［7］。有研究在肺結節(jié)檢測和分類方面，對MTANN和CNN的性能進行比較［8］，結果表明在使用有限的訓練數(shù)據(jù)時，MTANN的性能優(yōu)于CNN，但是隨著數(shù)據(jù)量的增加，CNN的性能逐漸提高。因此，在有限的訓練樣本中，MTANN獲取的中、低等級的圖像特征可以滿足肺結節(jié)的檢測與分類。

2.3 AE

AE是一種非監(jiān)督學習下的深度學習模型，包括輸入層、隱藏層和輸出層。輸入層壓縮圖像數(shù)據(jù)，輸出層將其擴展，中間的隱藏層學習圖像內(nèi)像素的復雜關系［9］，可以對目標特征進行提取和降維，這相對于傳統(tǒng)的人工標記提取更為客觀和可靠。為了實現(xiàn)分類，在AE的基礎上，相繼產(chǎn)生了稀疏自編碼（SAE）、去噪自編碼和堆棧去噪自編碼（SDAE）等深度模型。該類模型通過編碼與解碼過程，可以在較低維空間下對數(shù)據(jù)進行分類。

SAE由Bengio等［10］提出，它在自編碼的基礎上加入了稀疏性的限制，引入糾正激活函數(shù)，提高了算法的魯棒性，進而有效提高了信息表達的準確率和全面性。DAE由Vincent等［11］提出，它在自編碼器的基礎上，對輸入的數(shù)據(jù)加入噪聲以防止過度擬合，使所學的編碼器具有較強的魯棒性，增強了模型的泛化能力。Hinton等［12］提出堆棧自編碼器，它是一種從無標簽數(shù)據(jù)中逐步多層地提取更抽象圖像特征的模型。當多個降噪自編碼器疊加起來時，也就是SDAE。SDAE將上層的隱層作為下層的輸入層，通過非監(jiān)督學習的逐層預訓練來初始化深度網(wǎng)絡的參數(shù)，大大提高了表征能力。

有學者使用5層的DAE對肺結節(jié)進行診斷，得到的準確率為75.01%，靈敏度為83.35%［13］。Mao等［14］建立了一種結合局部和全局特征的肺結節(jié)圖像模型，他將圖像分割為局部補丁后，在深度AE中提取局部特征構建視覺詞匯袋，這樣可以獲取更詳細的特征信息。有研究提出一種改進的深度半監(jiān)督稀疏自編碼器（SSAE）模型對肺結節(jié)進行檢測，與其他模型（SAE、SSAE、RBM）相比，該模型獲得了較高的準確性、敏感性、特異性，更適用于肺結節(jié)的精準檢測［15］。

2.4 DBN

DBN是一種生成模型，這一概念由Hinton等［16］提出。它通過訓練神經(jīng)元間的權值，使整個神經(jīng)網(wǎng)絡按照最大概率生成訓練數(shù)據(jù)，用于特征識別、數(shù)據(jù)分類和數(shù)據(jù)生成。經(jīng)典的DBN由受限玻爾茲曼機和一層反向傳播組成，受限玻爾茲曼機可分為顯性神經(jīng)元和隱性神經(jīng)元［17］。顯性神經(jīng)元用于接收輸入，隱性神經(jīng)元用于提取特征，層與層之間的神經(jīng)元存在連接，但層內(nèi)的神經(jīng)元間不存在連接［18］，這種連接方式是其高效性的基礎。2015年，Hua等［3］首次將DBN應用在肺結節(jié)良惡性分類上，實驗獲得了73.4%的敏感度和82.2%的特異度，超過了傳統(tǒng)的機器學習方法。有研究將DBN與極限學習機相結合，不僅提高了肺結節(jié)的診斷準確率，而且大大縮短診斷時間［19］。

3 問題與展望

對于DL來說，高質(zhì)量標注圖像模型的構建很重要。當前由于標記肺結節(jié)圖像的不足，基于DL的網(wǎng)絡模型容易出現(xiàn)過擬合，準確率有待進一步提高。有學者將遷移學習應用到肺結節(jié)的分類中，有效地解決了肺結節(jié)樣本缺乏標注的問題，能夠大大提高分類的準確度［20-21］。由于醫(yī)學圖像的復雜性，如何更有效地將遷移學習應用于肺結節(jié)的分類中還需要進一步的研究。另外，DL本身存在一些缺陷，神經(jīng)網(wǎng)絡只是將圖像和最終的輸出結果聯(lián)系起來，其中的分類過程不可知，雖然已有多個網(wǎng)絡模型學習分葉和惡性腫瘤等特征［22］，但絕大部分特征仍是未知的。對于醫(yī)療這種要求特別嚴格的行業(yè)來說，模型可解釋性是非常重要的。臨床醫(yī)生在看模型結果的時候，更關注模型所產(chǎn)生結果的邏輯過程，所以對于模型可解釋性的探索是未來發(fā)展的一個方向。此外，盡管目前基于DL的肺結節(jié)檢測與診斷模型有很多，小規(guī)模的驗證也可以達到較高的診斷性能，但缺乏統(tǒng)一的權威研究機構對過程進行評估和比較，也沒有統(tǒng)一的標準和大型的臨床試驗證明DL算法在臨床應用中的可靠性［23］。與此同時，AI的倫理和法律問題也應值得我們思考：在醫(yī)學應用中安全性尤為重要，如何最大限度避免AI系統(tǒng)出現(xiàn)差錯，怎樣控制出錯后的風險以及如何對此負責。

目前AI技術還處于深度研發(fā)階段，還不能作為直接的檢查診斷方法，結果還需要影像醫(yī)師進行判斷審核。因此影像科醫(yī)師必須具備處理AI的技能，充分了解AI在影像學診斷中的優(yōu)缺點。但不可否認的是，AI技術在病灶檢出率、縮短時間耗時等方面具有明顯優(yōu)勢。DL系統(tǒng)在進行肺結節(jié)的檢測時，也可以加入乳腺、胸膜、心臟和淋巴結等其他部位的檢測，這種全面的檢測可以有效避免漏診和誤診。

綜上所述，基于DL的AI對于肺結節(jié)檢測和診斷具有非常重要意義，它能夠降低影像醫(yī)師及臨床醫(yī)師工作量，提高工作效率。相信隨著AI進一步的深度學習、算法改進，對于病變識別的準確性也一定會得到顯著提升。在未來的醫(yī)學影像學乃至整個醫(yī)學領域中，基于DL的AI將發(fā)揮關鍵作用。