任曉麗

山西醫(yī)科大學(xué)汾陽(yáng)學(xué)院 （山西汾陽(yáng) 032200）

近年來(lái)，隨著數(shù)據(jù)的劇增、算法的不斷優(yōu)化及計(jì)算能力的迅猛提高，大規(guī)模的神經(jīng)網(wǎng)絡(luò)逼近不同函數(shù)及大數(shù)據(jù)擬合成為可能。深度學(xué)習(xí)（deep learning，DL）融入醫(yī)學(xué)影像數(shù)據(jù)，逐步涌現(xiàn)出了各種輔助診斷、預(yù)后預(yù)測(cè)和決策分析的智能模型[1]?；卺t(yī)學(xué)影像智能計(jì)算是目前智慧醫(yī)療領(lǐng)域的研究熱點(diǎn)[2]，相應(yīng)的產(chǎn)品也已落地，相關(guān)文獻(xiàn)[3]全面分析了使用DL 技術(shù)為新型冠狀病毒肺炎診斷所開(kāi)發(fā)的系統(tǒng)應(yīng)用?；贒L 醫(yī)學(xué)影像正逐步邁向智慧醫(yī)療下精準(zhǔn)診斷的環(huán)節(jié)，期間也存在尚待解決的些許問(wèn)題。

1 DL 概述

DL 是先進(jìn)的機(jī)器學(xué)習(xí)（machine learning）方法，以數(shù)據(jù)驅(qū)動(dòng)方式分析任務(wù)，針對(duì)特定問(wèn)題的大規(guī)模數(shù)據(jù)集自動(dòng)學(xué)習(xí)數(shù)據(jù)特性，從訓(xùn)練數(shù)據(jù)中選擇正確的特征，最后在測(cè)試數(shù)據(jù)中做出正確決策。其中深度模型是手段，特征學(xué)習(xí)是目的。迄今為止在醫(yī)學(xué)影像領(lǐng)域，國(guó)內(nèi)外學(xué)者主要就MRI、CT、X 線、超聲、正電子發(fā)射計(jì)算機(jī)斷層顯像（positron emission tomography，PET）、病理、光學(xué)圖像等開(kāi)展了DL研究工作[4]。

1.1 DL 算法機(jī)理

DL是具有多層非線性處理單元的神經(jīng)網(wǎng)絡(luò)[5]，基礎(chǔ)模型主要是深度神經(jīng)網(wǎng)絡(luò)，從函數(shù)逼近論的角度講，深度神經(jīng)網(wǎng)絡(luò)是一個(gè)多層復(fù)合函數(shù)。理論上任意一個(gè)多元函數(shù)可以表示成若干個(gè)單變量函數(shù)的復(fù)合，這是機(jī)器學(xué)習(xí)中通過(guò)深度神經(jīng)網(wǎng)絡(luò)來(lái)逼近任意高維函數(shù)的理論依據(jù)，故可基于多層次的“神經(jīng)元”結(jié)構(gòu)，采用多隱層，進(jìn)行分層非線性映射學(xué)習(xí)。其中非線性激活函數(shù)為最終擬合函數(shù)生成基函數(shù)，訓(xùn)練神經(jīng)網(wǎng)絡(luò)就是在學(xué)習(xí)這些基函數(shù)，通過(guò)數(shù)量眾多的激活函數(shù)的線性變換及復(fù)合來(lái)逼近非常復(fù)雜的函數(shù)，由此解決了人工設(shè)計(jì)基函數(shù)的困惑。

1.2 DL 主要優(yōu)勢(shì)

DL將特征提取融入算法，省去了傳統(tǒng)機(jī)器學(xué)習(xí)中手工提取的步驟，直接的好處在于，從原始輸入到最終輸出無(wú)需人工設(shè)計(jì)模塊，模型根據(jù)數(shù)據(jù)自動(dòng)調(diào)節(jié)的空間變大，模型的整體契合度增加。DL借助多層函數(shù)（或深度）復(fù)合的多次變換，將樣本在原空間的特征表示變換到一個(gè)新特征空間，通過(guò)逐層特征變換，自動(dòng)提取不同空間的“特征”，進(jìn)而發(fā)現(xiàn)高維數(shù)據(jù)中的復(fù)雜結(jié)構(gòu)，從輸入端的數(shù)據(jù)直接得到輸出端的結(jié)果，是一種端到端的學(xué)習(xí)方法。其中卷積神經(jīng)網(wǎng)絡(luò)憑借強(qiáng)大的特征自動(dòng)提取功能，成為DL的一個(gè)重要組成部分[6]，傳統(tǒng)CNN由輸入層、卷積層和池化層的組合、全連接層及輸出層構(gòu)成，如圖1所示。深度神經(jīng)網(wǎng)絡(luò)具有不同的體系結(jié)構(gòu)和拓?fù)?，適合某些特定的應(yīng)用程序[7]，目前有關(guān)醫(yī)學(xué)圖像分割的DL最新研究大多數(shù)都依賴于U-Net網(wǎng)絡(luò)，針對(duì)不同的分割任務(wù)，網(wǎng)絡(luò)結(jié)構(gòu)也有相應(yīng)的更改[8]。

圖1 傳統(tǒng)CNN 結(jié)構(gòu)圖

2 醫(yī)學(xué)影像數(shù)據(jù)在DL 中的不完備性

當(dāng)前醫(yī)療中高達(dá)90% 的數(shù)據(jù)來(lái)自醫(yī)學(xué)影像，影像歸檔和通信系統(tǒng)（picture archiving and communications system，PACS）融合了不同設(shè)備（如MRI、CT、超聲等圖像）的數(shù)據(jù)，并進(jìn)行統(tǒng)一存儲(chǔ)、管理。醫(yī)學(xué)數(shù)字成像與通信標(biāo)準(zhǔn)（digital imaging and communication in medicine，DICOM）定義了臨床影像數(shù)據(jù)交換的格式，其發(fā)展和完善為醫(yī)學(xué)影像的發(fā)展創(chuàng)造了新的契機(jī)。據(jù)不完全統(tǒng)計(jì)影像數(shù)據(jù)的年增長(zhǎng)率高達(dá)30%之多[5]，總量已然達(dá)到“5V”數(shù)據(jù)，即大量（volume）、高速（velocity）、多樣（variety）、價(jià)值（value）、真實(shí)性（authenticity）。

醫(yī)學(xué)影像屬非結(jié)構(gòu)化數(shù)據(jù)（患者受保護(hù)類的信息屬結(jié)構(gòu)化數(shù)據(jù)），數(shù)據(jù)對(duì)象的空間關(guān)系信息及蘊(yùn)含的特異性情況具有重要的統(tǒng)計(jì)學(xué)意義，對(duì)各種疾病信息的挖掘會(huì)產(chǎn)生潛在的利用價(jià)值。DL模型“訓(xùn)練”和“驗(yàn)證”得以穩(wěn)定運(yùn)行的根本是大數(shù)據(jù)，尤其是高質(zhì)量的結(jié)構(gòu)化數(shù)據(jù)，而醫(yī)學(xué)影像中數(shù)據(jù)的諸多變化及不完備因素一度成為DL在醫(yī)學(xué)領(lǐng)域發(fā)展的瓶頸。

2.1 數(shù)據(jù)的孤立、異構(gòu)性

由于缺乏標(biāo)準(zhǔn)約束和整體規(guī)劃，不同的醫(yī)院或醫(yī)師使用的操作系統(tǒng)的無(wú)線多址協(xié)議不同，對(duì)于不同的醫(yī)用場(chǎng)景，成像模態(tài)、掃描參數(shù)、重建卷積、質(zhì)控各不相同，以及針對(duì)特定需求的特殊設(shè)計(jì)等，諸多因素導(dǎo)致數(shù)據(jù)的廣泛異質(zhì)異構(gòu)性，如數(shù)據(jù)本身異構(gòu)，表現(xiàn)為數(shù)據(jù)結(jié)構(gòu)、語(yǔ)義等差異；數(shù)據(jù)環(huán)境異構(gòu)，表現(xiàn)為硬件平臺(tái)、操作系統(tǒng)、數(shù)據(jù)庫(kù)管理系統(tǒng)等差異。上述迥異性整體上使得數(shù)據(jù)信息孤立、分布漂移，制約共享。當(dāng)影像數(shù)據(jù)與疾病類型相結(jié)合時(shí)，DL 在醫(yī)學(xué)影像各類任務(wù)（重建、分類、檢測(cè)、分割和配準(zhǔn)等）中，以及與一些應(yīng)用程序相關(guān)聯(lián)的任務(wù)中，面臨著大量的高度復(fù)雜性[9]。由此如何將大量不同數(shù)據(jù)提取、篩選并標(biāo)注以便捷地用于DL，是醫(yī)學(xué)影像數(shù)據(jù)處理的根本問(wèn)題。

2.2 樣本數(shù)據(jù)分布不平衡

不同類別的醫(yī)學(xué)影像的樣本數(shù)量差異很大，陰性和陽(yáng)性樣本數(shù)往往表現(xiàn)為陽(yáng)性明顯少于陰性。臨床病例數(shù)據(jù)規(guī)模表現(xiàn)出典型的長(zhǎng)尾分布[9]，少數(shù)的常見(jiàn)疾病有足夠的數(shù)量供大規(guī)模分析，而多數(shù)疾病在臨床上的數(shù)據(jù)量缺欠。但少數(shù)樣本有時(shí)恰是DL 關(guān)注的根本。這種不平衡現(xiàn)象通常用不平衡率（imbalance rate，IR）衡量：

式中nmaj為多數(shù)類樣本數(shù)據(jù)量，nmin表示少數(shù)類樣本數(shù)據(jù)量[10]。

網(wǎng)絡(luò)在類別不平衡的數(shù)據(jù)中進(jìn)行訓(xùn)練，結(jié)果易偏向較大數(shù)量的類別[11]，因?yàn)镈L 在關(guān)系抽取任務(wù)中，往往基于類別平衡、數(shù)據(jù)分布均勻的假設(shè)。這種天然的樣本不平衡問(wèn)題導(dǎo)致DL 在醫(yī)學(xué)影像領(lǐng)域的算法泛化能力下降。

綜上由于醫(yī)學(xué)影像數(shù)據(jù)各異不均，且數(shù)據(jù)的采集、整理及標(biāo)注過(guò)程煩瑣且代價(jià)昂貴，使得大型標(biāo)注數(shù)據(jù)集匱乏，嚴(yán)重影響DL算法的普適性，因?yàn)闃?biāo)注數(shù)據(jù)的多少?zèng)Q定了DL擬合函數(shù)的“智能”。目前DL技術(shù)在針對(duì)新型冠狀病毒肺炎的診斷應(yīng)用中，主要挑戰(zhàn)是患者的影像數(shù)據(jù)不完整、雜亂、不明確及缺乏標(biāo)準(zhǔn)性[3]。

3 應(yīng)對(duì)策略

3.1 數(shù)據(jù)的采集與規(guī)范

構(gòu)建高質(zhì)量的結(jié)構(gòu)化數(shù)據(jù)集，有效提高DL模型的準(zhǔn)確性和魯棒性，具體如下。（1）采集：進(jìn)一步規(guī)范相關(guān)醫(yī)療系統(tǒng)數(shù)據(jù)標(biāo)準(zhǔn)，以滿足DL模型對(duì)數(shù)據(jù)參數(shù)及質(zhì)量的要求，盡量覆蓋各種成像模態(tài)設(shè)備的機(jī)型、質(zhì)控指標(biāo)及疾病類型等參數(shù)變量，弱化影像多源數(shù)據(jù)的異質(zhì)性；進(jìn)一步優(yōu)化影像的采集與重建過(guò)程，對(duì)數(shù)據(jù)進(jìn)行高倍降采樣，充分利用DL技術(shù)填充未采集的數(shù)據(jù)，DL技術(shù)可以突破傳統(tǒng)依靠圖像稀疏性的假設(shè)，利用大量數(shù)據(jù)來(lái)優(yōu)化求解圖像重建問(wèn)題[12]，替代了常見(jiàn)的基于多次迭代優(yōu)化的圖像重建的逆問(wèn)題求解算法，提高了采集效率，同時(shí)可降低噪聲、提高圖像質(zhì)量，基于數(shù)據(jù)驅(qū)動(dòng)DL的 MRI重建，重點(diǎn)在于利用深度網(wǎng)絡(luò)學(xué)習(xí)欠采樣數(shù)據(jù)到全采樣數(shù)據(jù)（k空間或圖像）的端到端映射關(guān)系[2]。（2）標(biāo)注：立足數(shù)據(jù)和場(chǎng)景需求，直接面向?qū)W習(xí)目標(biāo)，利用專業(yè)醫(yī)師的領(lǐng)域量化知識(shí)，如病變位置、范圍、良惡性評(píng)分等，盡量使用“金標(biāo)準(zhǔn)”進(jìn)行學(xué)習(xí)標(biāo)簽標(biāo)注（如病理、基因型、生存期等），提高標(biāo)注的準(zhǔn)確性。（3）建立數(shù)據(jù)集：建立多中心數(shù)據(jù)集，創(chuàng)新數(shù)據(jù)共享機(jī)制，建立標(biāo)準(zhǔn)的醫(yī)學(xué)影像大樣本數(shù)據(jù)庫(kù)。

3.2 學(xué)習(xí)方法融合

基于DL 對(duì)高維數(shù)據(jù)強(qiáng)大的特征提取能力，有機(jī)融合其他方法，具體如下。（1）深度主動(dòng)學(xué)習(xí)：主動(dòng)學(xué)習(xí)即通過(guò)標(biāo)記少量的樣本獲得模型的收益最大化[13]，從數(shù)據(jù)集入手，設(shè)計(jì)精妙的查詢規(guī)則，從未標(biāo)記的數(shù)據(jù)中選擇最佳樣本并查詢其標(biāo)簽[13]，學(xué)習(xí)算法主動(dòng)地提出一些標(biāo)注請(qǐng)求，將經(jīng)過(guò)篩選的數(shù)據(jù)反饋給專家以備標(biāo)注，這樣可減少訓(xùn)練數(shù)據(jù)集及其標(biāo)注成本，其核心過(guò)程是篩選，有機(jī)結(jié)合深度、主動(dòng)學(xué)習(xí)，將深度主動(dòng)學(xué)習(xí)應(yīng)用于醫(yī)學(xué)影像領(lǐng)域的具體工作有很多。（2）深度遷移學(xué)習(xí)：適當(dāng)解脫DL 的數(shù)據(jù)獨(dú)立且分布均勻的依據(jù)，將知識(shí)從源域遷移到目標(biāo)域以解決數(shù)據(jù)不足的問(wèn)題，基于網(wǎng)絡(luò)的深度遷移學(xué)習(xí)，首先在原領(lǐng)域預(yù)訓(xùn)練網(wǎng)絡(luò)（如結(jié)構(gòu)、參數(shù)等），再用于目標(biāo)任務(wù)中，使其成為新的神經(jīng)網(wǎng)絡(luò)的一部分[14]，即在多種類別的大規(guī)模基準(zhǔn)數(shù)據(jù)集上預(yù)訓(xùn)練網(wǎng)絡(luò)，幫助網(wǎng)絡(luò)學(xué)習(xí)在目標(biāo)任務(wù)上重用的通用特征，之后在預(yù)訓(xùn)練網(wǎng)絡(luò)感興趣的目標(biāo)（對(duì)應(yīng)的標(biāo)簽數(shù)據(jù)集較少）上進(jìn)行微調(diào)，遷移學(xué)習(xí)已成功應(yīng)用于某些器官的影像分析中，但其推廣還需要更多的證據(jù)[7]。

3.3 探索基于因果表征的算法模型

目前，機(jī)器學(xué)習(xí)主要存在于產(chǎn)生統(tǒng)計(jì)依賴性的物理機(jī)制中[15]，現(xiàn)有的DL同樣依據(jù)樣本數(shù)據(jù)獨(dú)立且均勻分布的假設(shè)，沒(méi)有考慮變量的因果屬性。DL關(guān)注的重點(diǎn)是學(xué)習(xí)，缺乏良好的被理解的方式，故DL通常被認(rèn)為是不易解釋的“黑匣子”，與醫(yī)師依據(jù)因果關(guān)系溯源病因不同。由于目前關(guān)于模型是基于何種特征做預(yù)測(cè)的研究較少，當(dāng)模型預(yù)測(cè)結(jié)果與醫(yī)師判斷不一致時(shí)，醫(yī)師就得不到有效證據(jù)的解釋[16]。醫(yī)師如要理解DL在醫(yī)學(xué)影像中的現(xiàn)實(shí)性、可行性和實(shí)用性意義[7]，這種費(fèi)解確實(shí)是一個(gè)鴻溝。因此，探索基于因果關(guān)系的學(xué)習(xí)算法將有助于發(fā)現(xiàn)更豐富、更自然的醫(yī)學(xué)問(wèn)題[17]。未來(lái)的模型應(yīng)注重系統(tǒng)變量的因果生成過(guò)程，于學(xué)習(xí)中介入推理，生成基于因果性的接近醫(yī)師的診病方式，如利用因果關(guān)系的某一層級(jí)——反事實(shí)的方法賦予機(jī)器一種“想象”，當(dāng)患者的疾病與原有模板中的病例不同時(shí)，可能對(duì)此自動(dòng)聯(lián)想加工，做出正確的診斷。相關(guān)文獻(xiàn)[17]使用由1 617個(gè)臨床場(chǎng)景組成的測(cè)試集，得到反事實(shí)算法性能較關(guān)聯(lián)算法有大幅提升，這有利于通常難以診斷的罕見(jiàn)病及重癥病例的檢測(cè)，同時(shí)避免了基于相關(guān)性的診斷產(chǎn)生的誤差對(duì)這些病例帶來(lái)的嚴(yán)重后果?？梢?jiàn)因果推理是將機(jī)器學(xué)習(xí)應(yīng)用到醫(yī)學(xué)診療中的重要元素，它可促進(jìn)統(tǒng)計(jì)依賴結(jié)構(gòu)的表象學(xué)習(xí)方法向支持干預(yù)、計(jì)劃和推理的模型改進(jìn)[15]。同時(shí)基于因果屬性的學(xué)習(xí)模型對(duì)數(shù)據(jù)集所蘊(yùn)含的規(guī)律、知識(shí)的理解，也有助于解決目前DL的弱解釋性問(wèn)題。

4 結(jié)語(yǔ)

醫(yī)學(xué)影像是以DL為核心的醫(yī)療人工智能最有潛力的落地領(lǐng)域[16]，DL的中心任務(wù)是提取蘊(yùn)含在圖像中的信息，目前學(xué)習(xí)主要是基于數(shù)據(jù)驅(qū)動(dòng)進(jìn)行多層復(fù)合函數(shù)的擬合，其擬合的智能程度深受影像數(shù)據(jù)的諸多變化、不確定因素的制約，故需規(guī)范數(shù)據(jù)、改善采集，讓數(shù)據(jù)成為新的范式，并結(jié)合其他方法改進(jìn)算法，如在DL中有機(jī)嵌入主動(dòng)學(xué)習(xí)等方法，削弱DL對(duì)標(biāo)注數(shù)據(jù)的貪婪程度，同時(shí)鑒于現(xiàn)階段DL在數(shù)學(xué)本質(zhì)上只有“記憶”能力，沒(méi)有“理解”能力，從而探索基于因果關(guān)系的學(xué)習(xí)方法，以增強(qiáng)影像輔助診療的準(zhǔn)確性，有助于未來(lái)DL精準(zhǔn)賦能醫(yī)療，以及促進(jìn)智慧醫(yī)療距離真正落地更進(jìn)一步。