精準(zhǔn)醫(yī)學(xué)中的深度學(xué)習(xí)和影像組學(xué)

影像科正在經(jīng)歷一種范式轉(zhuǎn)變，即使用人工智能與機(jī)器集成以及深度學(xué)習(xí)與影像組學(xué)更好地定義組織特征，從而實(shí)現(xiàn)計(jì)算機(jī)科學(xué)與影像學(xué)的共生關(guān)系。研究的目標(biāo)是使用集成的深度學(xué)習(xí)和具有影像學(xué)參數(shù)的影像組學(xué)來為患者進(jìn)行個(gè)性化診斷。本文概述了影像學(xué)精準(zhǔn)醫(yī)學(xué)背景下歷史和當(dāng)前的深度學(xué)習(xí)和影像組學(xué)方法。本文通過“深度學(xué)習(xí)”、“影像組學(xué)”、“機(jī)器學(xué)習(xí)”、“人工智能”、“卷積神經(jīng)網(wǎng)絡(luò)”、“生成對(duì)抗網(wǎng)絡(luò)”、“自動(dòng)編碼器”、“深度信念網(wǎng)絡(luò)”、“強(qiáng)化學(xué)習(xí)”和“多參數(shù) MRI'在 PubMed、ArXiv、Scopus、CVPR、SPIE、IEEE Xplore 和 NIPS 中進(jìn)行文獻(xiàn)檢索。

結(jié)論：總而言之，深度學(xué)習(xí)和影像組學(xué)都是兩種快速發(fā)展的技術(shù)，兩者將在未來聯(lián)合起來產(chǎn)生一個(gè)統(tǒng)一的臨床決策支持框架，有望徹底改變精準(zhǔn)醫(yī)學(xué)領(lǐng)域。本文發(fā)表在expert review of precision medicine and drug development雜志。(可添加微信號(hào)siyingyxf或18983979082獲取原文，另思影提供免費(fèi)文獻(xiàn)下載服務(wù)，如需要也可添加此微信號(hào)入群，原文也會(huì)在群里發(fā)布)。

溫故而知新，建議結(jié)合以下影像組學(xué)相關(guān)解讀閱讀，思影承接影像組學(xué)數(shù)據(jù)分析業(yè)務(wù)如有需求請(qǐng)?zhí)?/span>加微信號(hào)siyingyxf或18983979082了解詳情：

基于機(jī)器學(xué)習(xí)的影像組學(xué)根據(jù)磁共振成像對(duì)膠質(zhì)母細(xì)胞瘤患者轉(zhuǎn)錄亞型進(jìn)行有效分類

人工智能在腫瘤成像中的臨床挑戰(zhàn)和應(yīng)用

神經(jīng)腫瘤組學(xué)基礎(chǔ)知識(shí)、工作流程及應(yīng)用

影像組學(xué)特征的生物學(xué)意義

影像學(xué)紋理分析：放射科醫(yī)生需要知道的事項(xiàng)

基于集成學(xué)習(xí)方法結(jié)合影像組學(xué)特征的惡性腦腫瘤檢測(cè)

基于機(jī)器學(xué)習(xí)的心臟成像診斷

關(guān)于膠質(zhì)母細(xì)胞瘤的影像組學(xué)和影像基因組學(xué)

影像組學(xué)：醫(yī)學(xué)影像學(xué)與個(gè)性化精準(zhǔn)醫(yī)療的橋梁

Radiology：影像組學(xué)：圖像不僅僅是圖片，它們還是數(shù)據(jù)

紋理分析及其在醫(yī)學(xué)成像中的應(yīng)用

Radiology：人工智能在神經(jīng)腫瘤學(xué)中的新興應(yīng)用

影像組學(xué)初學(xué)者指南

放射學(xué)中基于影像組學(xué)和人工智能預(yù)測(cè)癌癥預(yù)后

腦腫瘤的影像組學(xué)：圖像評(píng)估、定量特征描述和機(jī)器學(xué)習(xí)方法

基于MRI醫(yī)學(xué)圖像的腦腫瘤分級(jí)

Radiology：圖像生物標(biāo)志物標(biāo)準(zhǔn)化：基于高通量圖像表型的標(biāo)準(zhǔn)化定量影像組學(xué)

IEEE Signal Processing Magazine：從手工放射組學(xué)特征到深

使用多模態(tài)腦部掃描數(shù)據(jù)的自動(dòng)腦腫瘤分割

Radiology：腦部MRI影像組學(xué):轉(zhuǎn)移瘤類型預(yù)測(cè)的應(yīng)用

神經(jīng)放射學(xué)診斷中的MRI數(shù)據(jù)分析

AJNR:深度學(xué)習(xí)在神經(jīng)放射學(xué)的應(yīng)用

Neuro-Oncology：對(duì)腦膠質(zhì)瘤IDH突變狀態(tài)進(jìn)行分類的一種新型的

Neuro-Oncology：深度學(xué)習(xí)算法全自動(dòng)評(píng)估腦膠質(zhì)瘤負(fù)荷

Lancet Oncology：利用人工神經(jīng)網(wǎng)絡(luò)對(duì)神經(jīng)腫瘤學(xué)MRI成像進(jìn)行

Radiology：人工智能系統(tǒng)腦MRI鑒別診斷精度接近神經(jīng)放射科

1、介紹

影像成像方法用于掃描身體的不同區(qū)域，以檢測(cè)和表征潛在的異常病理并幫助臨床診斷。這些影像成像程序可以通過局部或全身掃描產(chǎn)生大量復(fù)雜的數(shù)字成像數(shù)據(jù)，這會(huì)使“讀取和解釋”圖像數(shù)據(jù)變得非常具有挑戰(zhàn)性。計(jì)算機(jī)科學(xué)的發(fā)展將導(dǎo)致影像學(xué)在醫(yī)學(xué)領(lǐng)域使用先進(jìn)的計(jì)算方法發(fā)生范式轉(zhuǎn)變 [1–7].這些計(jì)算方法包括先進(jìn)的機(jī)器和深度學(xué)習(xí)算法 [8,9]加上圖像紋理的定量測(cè)量，稱為影像組學(xué)[10–13].通過結(jié)合這些計(jì)算方法，未來的影像科室將形成計(jì)算機(jī)科學(xué)家和影像科醫(yī)生（人類專家）之間的獨(dú)特合作。這種合作將使算法能夠在影像學(xué)診斷決策制定的各個(gè)方面協(xié)助影像科醫(yī)生，例如：識(shí)別、分割、不同組織類型的表征以及優(yōu)先診斷。例如，大腦、胸部、腹部、骨盆和乳房等大型成像數(shù)據(jù)集可以通過使用深度學(xué)習(xí)方法快速分類來分為不同的組，影像科醫(yī)生首先查看潛在的“更差”病例，從而增加影像科醫(yī)師的準(zhǔn)確率和信心?？梢赃M(jìn)一步開發(fā)使用機(jī)器學(xué)習(xí)的其他數(shù)據(jù)挖掘方法，以將影像學(xué)參數(shù)與使用電子健康記錄從不同來源（如病理學(xué)和臨床病史）提取的其他信息相結(jié)合 [14–17].這些整合的數(shù)據(jù)類型，將使臨床醫(yī)生更全面地了解患者的健康狀況，有助于更準(zhǔn)確的診斷并提高對(duì)疾病復(fù)雜性的理解。當(dāng)數(shù)據(jù)匯集在一起時(shí)，可以實(shí)現(xiàn)個(gè)性化的治療計(jì)劃和精確的疾病預(yù)后，如圖1所示.計(jì)算影像學(xué)的目標(biāo)是提取圖像中的所有定性和定量信息，并開發(fā)潛在的非侵入性生物標(biāo)志物，用于檢測(cè)和表征患者的疾病。深度學(xué)習(xí)和影像組學(xué)是實(shí)現(xiàn)這一目標(biāo)的計(jì)算放射學(xué)的新興領(lǐng)域。

深度學(xué)習(xí)是一個(gè)新的研究領(lǐng)域，涉及受我們大腦中的生物神經(jīng)網(wǎng)絡(luò)啟發(fā)而開發(fā)的深度人工神經(jīng)網(wǎng)絡(luò) [4,6,18–42].在影像學(xué)中，深度神經(jīng)網(wǎng)絡(luò)與生物神經(jīng)網(wǎng)絡(luò)一樣，試圖學(xué)習(xí)影像學(xué)數(shù)據(jù)的內(nèi)在表示，例如，在MRI中，諸如腦脊液等流體在 T1WI上是暗的，而在T2WI上是亮的。此信息可以訓(xùn)練深度學(xué)習(xí)算法來識(shí)別模式并執(zhí)行準(zhǔn)確的分割。深度學(xué)習(xí)在多個(gè)領(lǐng)域都取得了優(yōu)異的成績(jī)，例如。對(duì)象檢測(cè)和識(shí)別、文本生成、音樂創(chuàng)作和自動(dòng)駕駛等等 [1,2,43–49].近年來，深度學(xué)習(xí)已成為計(jì)算機(jī)輔助臨床和影像決策支持領(lǐng)域的一個(gè)活躍研究，取得了一些出色的初步成果以及最新的研究發(fā)現(xiàn)。

影像組學(xué)是一種紋理數(shù)學(xué)結(jié)構(gòu)，可以捕獲感興趣組織的空間外觀（形狀和紋理）在不同類型的圖像上使用紋理[10–13,50–53].最近還有一篇相關(guān)的綜述也說明紋理特征在某些應(yīng)用中與組織生物學(xué)相關(guān) [影像組學(xué)特征的生物學(xué)意義 54].傳統(tǒng)意義上，影像組學(xué)特征提供有關(guān)放射圖像感興趣區(qū)域內(nèi)的灰度模式、像素間關(guān)系、形狀和頻譜的信息。[50–53,55,56].

將影像組學(xué)或深度學(xué)習(xí)算法從研究成功轉(zhuǎn)化為精準(zhǔn)醫(yī)學(xué)臨床實(shí)踐的主要障礙之一就是可解釋性。例如，在影像組學(xué)中，如果熵（一階，它是異質(zhì)性/無(wú)序性的量度）或灰度共生矩陣 (GLCM) 熵（基于灰度級(jí)相互關(guān)系的異質(zhì)性/無(wú)序性的高階量度某些社區(qū)）特征被測(cè)量為 6.5，如果這些指標(biāo)沒有控制或正常組織熵值，則很難將生物學(xué)意義附加到該熵值。影像組學(xué)指標(biāo)的相同值同質(zhì)或者異質(zhì)的判斷取決于所選的箱子數(shù)量、ROI 的大小以及其他預(yù)處理步驟，例如圖像過濾，這些都會(huì)對(duì)值產(chǎn)生影響（請(qǐng)參閱以下）。

同樣，由于深度學(xué)習(xí)本質(zhì)上是一個(gè)“黑匣子”，當(dāng)該方法將底層組織分割并預(yù)測(cè)為惡性或良性時(shí)，深度學(xué)習(xí)不會(huì)提供其預(yù)測(cè)背后的解釋。醫(yī)生的可解釋性將基于算法以及他們是否會(huì)“信任”結(jié)果，這是目前的主要挑戰(zhàn)。本文回顧了影像組學(xué)和深度學(xué)習(xí)技術(shù)，概述了目前最先進(jìn)的精準(zhǔn)醫(yī)療算法及其局限性，并對(duì)這兩種技術(shù)在精準(zhǔn)醫(yī)療中的潛在未來進(jìn)行了展望。

2、深度學(xué)習(xí)

近年來，隨著高級(jí)優(yōu)化技術(shù)的發(fā)展和計(jì)算效率的提高，深度學(xué)習(xí)技術(shù)重新流行起來。深度學(xué)習(xí)已經(jīng)開始在現(xiàn)代社會(huì)的許多不同方面發(fā)揮不可或缺的作用，并在各種領(lǐng)域產(chǎn)生了出色的成果，例如物體檢測(cè)和識(shí)別、文本生成、音樂創(chuàng)作和自動(dòng)駕駛等 [2,43–46,48,49].先進(jìn)的深度學(xué)習(xí)將在不久的將來使用計(jì)算機(jī)輔助臨床和放射決策支持對(duì)精準(zhǔn)醫(yī)學(xué)產(chǎn)生影響。這些方法將概述用于訓(xùn)練、測(cè)試和驗(yàn)證臨床測(cè)試的新方法，以更好地整合醫(yī)學(xué)信息，并為診斷提供新的可視化工具。我們將重點(diǎn)關(guān)注深度學(xué)習(xí)方法的概述和最新技術(shù)水平。

從歷史上看，深度學(xué)習(xí)方法是計(jì)算機(jī)科學(xué)中機(jī)器學(xué)習(xí)算法的一個(gè)子集。簡(jiǎn)而言之，機(jī)器學(xué)習(xí)的目標(biāo)是學(xué)習(xí)特征并將這些特征轉(zhuǎn)化為類標(biāo)簽以進(jìn)行分割或分類。機(jī)器學(xué)習(xí)算法在本質(zhì)上是有監(jiān)督的或無(wú)監(jiān)督的，線性的或非線性的[57].深度學(xué)習(xí)和傳統(tǒng)機(jī)器學(xué)習(xí)算法之間的主要區(qū)別在于，深度學(xué)習(xí)算法不需要中間特征提取或工程步驟來學(xué)習(xí)輸入 x（例如，放射圖像上的灰度強(qiáng)度值）和相應(yīng)的標(biāo)簽 y（例如，與這些強(qiáng)度值對(duì)應(yīng)的組織類型）。

從概念上講，機(jī)器學(xué)習(xí)算法使用概率分布 p 在 x 和 y 上對(duì)輸入 x 和標(biāo)簽 y 之間的關(guān)系進(jìn)行建模，一般來說，學(xué)習(xí)算法可以根據(jù) p [57,58]。生成模型學(xué)習(xí)聯(lián)合概率分布 (x, y) 以估計(jì)后驗(yàn)概率 p(y|x)。生成深度學(xué)習(xí)算法的一些例子包括：生成對(duì)抗網(wǎng)絡(luò)、變分自動(dòng)編碼器和深度信念網(wǎng)絡(luò) [40,59]。相比之下，判別模型直接估計(jì)后驗(yàn)概率 p(y|x) 而無(wú)需計(jì)算中間環(huán)節(jié)概率分布。換句話說，判別模型學(xué)習(xí) x 和 y 之間的直接映射。卷積神經(jīng)網(wǎng)絡(luò)、堆疊自動(dòng)編碼器和多層感知器是判別式深度學(xué)習(xí)算法的典型示例 [45,46] 。如果問題要求我們只根據(jù) x 預(yù)測(cè)標(biāo)簽 y，那么判別模型可能是更好的選擇，因?yàn)樗鼈儾魂P(guān)心 (x, y) 的建模，更有效地為 P(y| x) 建模參數(shù)，從而產(chǎn)生一個(gè)準(zhǔn)確率更高的分類器。但是，如果輸入 x 包含大量缺失值或數(shù)據(jù)點(diǎn)并且需要數(shù)據(jù)插補(bǔ)，則可能無(wú)法使用判別模型。此外，生成模型允許生成新的合成數(shù)據(jù)并模擬輸入數(shù)據(jù)中的不同關(guān)系。例如，如果目標(biāo)是將病變分類為良性或惡性，則判別式深度學(xué)習(xí)可能是更好的選擇。然而，如果我們的目標(biāo)是識(shí)別病變的內(nèi)在特征并模擬它們?cè)诨颊呷后w中的分布，那么更好的算法選擇可能是生成式深度學(xué)習(xí)算法之一。下面討論應(yīng)用于精準(zhǔn)醫(yī)學(xué)的常用判別式和生成式深度學(xué)習(xí)算法。圖2簡(jiǎn)要介紹了深度學(xué)習(xí)領(lǐng)域的主要進(jìn)展歷史和時(shí)間表。

圖2.深度學(xué)習(xí)領(lǐng)域主要進(jìn)展的時(shí)間
2.1 深度神經(jīng)網(wǎng)絡(luò)的類型
2.1.1 判別式深度學(xué)習(xí)模型
2.1.1.1卷積神經(jīng)網(wǎng)絡(luò)。卷積神經(jīng)網(wǎng)絡(luò)（CNN）是應(yīng)用于計(jì)算機(jī)視覺應(yīng)用的最流行的神經(jīng)網(wǎng)絡(luò)架構(gòu)[27].這可能是由于可以訪問可用的深度學(xué)習(xí)平臺(tái)，例如Tensorflow、Pytorch、Matlab深度學(xué)習(xí)、Keras等。CNN的架構(gòu)受到視覺皮層層級(jí)組織的啟發(fā) [2,29]. CNN使用局部連接和權(quán)重來分析輸入數(shù)據(jù)（例如圖像）的二維結(jié)構(gòu)，然后進(jìn)行池化操作（例如最大池化）以獲得空間不變特征。此外，與同等規(guī)模的相應(yīng)全連接網(wǎng)絡(luò)相比，CNN的可訓(xùn)練參數(shù)要少得多。典型的CNN架構(gòu)如圖所示圖3.

傳統(tǒng)的CNN架構(gòu)已經(jīng)過修改和擴(kuò)展以包含不同的架構(gòu)，以改進(jìn)計(jì)算機(jī)視覺和其他領(lǐng)域應(yīng)用程序的最新結(jié)果。用于分類或?qū)ο笞R(shí)別任務(wù)的一些最著名的架構(gòu)包括 Alexnet [2]、Resnet[6], Densenet[7]，和Inception[3].不同深度學(xué)習(xí)架構(gòu)的性能、單遍操作量和網(wǎng)絡(luò)參數(shù)數(shù)量的比較詳見[60].當(dāng)前最先進(jìn)的 CNN 語(yǔ)義（粗到細(xì)）分割技術(shù)包括 Segnet [4], U-net[5]，以及它們的變體。

圖3 用于臨床診斷的放射學(xué)圖像分類的卷積神經(jīng)結(jié)構(gòu)（CNN）結(jié)構(gòu)的圖示。（a）這里所示的CNN架構(gòu)由兩個(gè)卷積層（每個(gè)卷積層后面是最大池化層）組成，然后是兩個(gè)完全連接（密集）的圖像分類層。

（b）基于圖像塊（patch)的CNN應(yīng)用于多參數(shù)腦MRI數(shù)據(jù)集以分割不同腦組織類型的示例。

2.1.1.2 堆疊式自動(dòng)編碼器

自動(dòng)編碼器是一類無(wú)監(jiān)督神經(jīng)網(wǎng)絡(luò)，它通過嘗試重建輸入數(shù)據(jù)來學(xué)習(xí)其輸入數(shù)據(jù)的內(nèi)在表示[33].因此，自動(dòng)編碼器將輸入數(shù)據(jù)轉(zhuǎn)換為其內(nèi)在維度的緊湊或低維表示。為了監(jiān)督學(xué)習(xí)任務(wù)，當(dāng)輸入數(shù)據(jù)與標(biāo)記示例相比有大量未標(biāo)記示例或數(shù)據(jù)在訓(xùn)練方面稀疏時(shí)，自動(dòng)編碼器特別有用 [61,62].自動(dòng)編碼器的典型架構(gòu)如圖所示圖 4.

自編碼器的一些典型應(yīng)用包括表示學(xué)習(xí)（例如稀疏自編碼器）、分類（例如堆疊稀疏自編碼器）和圖像去噪（例如堆疊去噪自編碼器 [61]).此外，自動(dòng)編碼器也已擴(kuò)展到開發(fā)稱為變分自動(dòng)編碼器的生成神經(jīng)網(wǎng)絡(luò)模型中[39].這是通過修改編碼器使其生成大致遵循單位高斯分布的潛在向量來完成的。通過更改損失函數(shù)以包括輸入和輸出之間的均方誤差以及潛在向量和單位高斯分布之間的 Kullback-Leibler (KL) 散度來強(qiáng)制執(zhí)行約束。變分自動(dòng)編碼器已經(jīng)開始在無(wú)監(jiān)督和半監(jiān)督的特征提取和分割中找到應(yīng)用[63–65].

圖4 用于通過嘗試重建高維多參數(shù)MRI大腦數(shù)據(jù)集來學(xué)習(xí)低維表示的自動(dòng)編碼器的圖示。

2.1.1 生成式深度學(xué)習(xí)模型

2.1.2.1 深度信念網(wǎng)絡(luò) 深度信念網(wǎng)絡(luò) (DBN) 是一類生成式深度神經(jīng)網(wǎng)絡(luò)，由多層隨機(jī)潛在變量組成 [66]. DBN的每一層都充當(dāng)前一層的隱藏層和后一層的輸入層。此外，每一層內(nèi)的節(jié)點(diǎn)之間沒有連接。DBN的每一層都可以看作是一個(gè)無(wú)監(jiān)督網(wǎng)絡(luò)，例如受限玻爾茲曼機(jī)（RBM）[34] 或自動(dòng)編碼器[33]，它利用前一層的輸出以貪心逐層無(wú)監(jiān)督方式進(jìn)行訓(xùn)練。圖5說明了典型DBN的架構(gòu)。

圖5 具有兩個(gè)隱藏層的深度信念網(wǎng)絡(luò)（DBN）的圖示，用于分割示例多參數(shù)MRI腦數(shù)據(jù)集。利用前一層的輸出，使用受限玻爾茲曼機(jī)器（RBMs）以無(wú)監(jiān)督的方式對(duì)每一層進(jìn)行預(yù)訓(xùn)練。示例數(shù)據(jù)集上DBN分割的輸出顯示在輸出層中。

2.1.2.2 生成對(duì)抗網(wǎng)絡(luò) 生成對(duì)抗網(wǎng)絡(luò)。生成對(duì)抗網(wǎng)絡(luò)（GAN）是目前最流行的生成深度學(xué)習(xí)架構(gòu)[40]. GAN由兩個(gè)在零和博弈框架中相互競(jìng)爭(zhēng)的神經(jīng)網(wǎng)絡(luò)架構(gòu)組成。一個(gè)網(wǎng)絡(luò)生成候選者（生成器），而另一個(gè)網(wǎng)絡(luò)評(píng)估它們（鑒別器）。生成器的目標(biāo)是從輸入數(shù)據(jù)分布中合成真實(shí)實(shí)例，而鑒別器的目標(biāo)是區(qū)分輸入數(shù)據(jù)分布的真實(shí)實(shí)例和合成實(shí)例。訓(xùn)練生成器的目標(biāo)是最大化鑒別器的錯(cuò)誤率，大約為 50% [40,67].一旦經(jīng)過訓(xùn)練，生成器就會(huì)學(xué)習(xí)從潛在空間映射到輸入數(shù)據(jù)分布。圖6展示了典型GAN的架構(gòu)。GAN的主要應(yīng)用是圖像、視頻和語(yǔ)音合成 [68–73].在醫(yī)學(xué)圖像分析中，GAN已被用于醫(yī)學(xué)圖像合成、分割、配準(zhǔn)和數(shù)據(jù)增強(qiáng)。可以在 [67]這篇文獻(xiàn)中進(jìn)行更加詳細(xì)的描述。

圖6 生成對(duì)抗網(wǎng)絡(luò)（GAN）架構(gòu)的圖示。GAN由兩個(gè)在零和博弈框架中相互競(jìng)爭(zhēng)的神經(jīng)網(wǎng)絡(luò)架構(gòu)組成。一個(gè)網(wǎng)絡(luò)生成候選（生成器），而另一個(gè)網(wǎng)絡(luò)評(píng)估候選（鑒別器）。生成器的目標(biāo)是從輸入數(shù)據(jù)分布中合成真實(shí)實(shí)例，而鑒別器的目標(biāo)是區(qū)分輸入數(shù)據(jù)分布的真實(shí)實(shí)例和合成實(shí)例。

2.1.2.3 深度強(qiáng)化學(xué)習(xí)

從歷史上看，強(qiáng)化學(xué)習(xí) (RL) 是一個(gè)多方面的研究領(lǐng)域，其中RL算法嘗試學(xué)習(xí)動(dòng)作以優(yōu)化定義狀態(tài)下的某種類型的動(dòng)作，并權(quán)衡任何的權(quán)重系數(shù)以獲得最大可能的獎(jiǎng)勵(lì) [74,75]. RL所需的主要元素是策略、獎(jiǎng)勵(lì)信號(hào)、價(jià)值函數(shù)和定義環(huán)境的模型 [75]. Sutton 對(duì)這些和其他 RL 方面進(jìn)行了深入討論 [75].強(qiáng)化學(xué)習(xí)算法是面向目標(biāo)的算法，它試圖在許多動(dòng)作中最大化特定獎(jiǎng)勵(lì)，其中，RL算法在每個(gè)動(dòng)作中根據(jù)它采取的是正確或錯(cuò)誤的動(dòng)作來決定是獎(jiǎng)勵(lì)或懲罰。最后，該動(dòng)作根據(jù)其對(duì)最終獎(jiǎng)勵(lì)的貢獻(xiàn)進(jìn)行評(píng)估[76–85].例如，找到正確的動(dòng)作組合以獲得最大的分?jǐn)?shù)并獲勝。

深度強(qiáng)化學(xué)習(xí)是一個(gè)快速發(fā)展的領(lǐng)域，在強(qiáng)化學(xué)習(xí)領(lǐng)域快速發(fā)展的領(lǐng)域具有突破性的成果，例如語(yǔ)音識(shí)別[86], 玩 Atari [87] 和阿爾法圍棋 [88].在深度強(qiáng)化學(xué)習(xí)中，深度學(xué)習(xí)算法被訓(xùn)練來識(shí)別當(dāng)前狀態(tài)并預(yù)測(cè)下一個(gè)最佳移動(dòng)（例如，CNN 可以被訓(xùn)練來捕獲游戲的計(jì)算機(jī)屏幕作為當(dāng)前狀態(tài)，然后預(yù)測(cè)按下哪個(gè)按鈕鍵盤最大化游戲的最終得分）[87].

深度強(qiáng)化學(xué)習(xí)算法已開始在計(jì)算放射學(xué)領(lǐng)域的里程碑檢測(cè)和治療反應(yīng)預(yù)測(cè)中找到應(yīng)用[83–85]。在地標(biāo)檢測(cè)中，深度強(qiáng)化學(xué)習(xí)用于搜索身體中的地標(biāo)（例如胰腺），使其比標(biāo)準(zhǔn)搜索算法更快[85]。在治療反應(yīng)評(píng)估中，可以訓(xùn)練深度強(qiáng)化學(xué)習(xí)模型，以預(yù)測(cè)藥物對(duì)患者治療過程中的影響同時(shí)評(píng)估他們是否會(huì)對(duì)治療方案產(chǎn)生反應(yīng)[83]。

2.2 深度神經(jīng)網(wǎng)絡(luò)——深入了解

將深度學(xué)習(xí)算法從研究成功轉(zhuǎn)化為精準(zhǔn)醫(yī)學(xué)實(shí)踐的主要障礙之一是它們的可解釋性。大量研究表明，深度神經(jīng)網(wǎng)絡(luò)很容易被干擾[89–92]，這使得它們的可解釋性對(duì)于放射學(xué)應(yīng)用更加重要。

深度神經(jīng)網(wǎng)絡(luò)就像一個(gè)黑匣子。也就是說，我們不知道深度神經(jīng)網(wǎng)絡(luò)是如何組織、整合和解釋成像信息的。例如，當(dāng)放射科醫(yī)生在他們的大腦中形成“脂肪”的內(nèi)在表征時(shí)，他們將其存儲(chǔ)為“T1上亮，T2 上暗”。類似地，“流體”的內(nèi)在表示將存儲(chǔ)為“T1 上暗，T2 上亮”。這里的主要問題是“深度神經(jīng)網(wǎng)絡(luò)如何對(duì)輸入的內(nèi)在表征進(jìn)行編碼？”。

近年來，大量研究嘗試打開深度學(xué)習(xí)的黑匣子，并取得了優(yōu)異的成果，采用激活最大化 [93], 反卷積網(wǎng)絡(luò) [94], 網(wǎng)絡(luò)反轉(zhuǎn) [95]，以及網(wǎng)絡(luò)剖析[96]包括為提高網(wǎng)絡(luò)可解釋性而開發(fā)的主要技術(shù)。可以在[97].在這里，我們將在以下小節(jié)中概述這些技術(shù)。

2.2.1 激活最大化

激活最大化背后的想法是識(shí)別最大化特定神經(jīng)元激活的輸入模式。通過識(shí)別網(wǎng)絡(luò)中不同神經(jīng)元的最佳輸入模式集，可以解碼這些神經(jīng)元在輸入空間方面代表的內(nèi)容。例如，對(duì)于經(jīng)過訓(xùn)練可識(shí)別人臉的網(wǎng)絡(luò)，激活最大化方法可用于識(shí)別專門用來識(shí)別不同面部特征（如鼻子、眼睛和嘴巴）的神經(jīng)元。使用激活最大化的輸入模式可視化的可解釋性，近年來引起了人們的極大興趣，從而改進(jìn)了算法[98].

2.2.2 反卷積網(wǎng)絡(luò)

反卷積網(wǎng)絡(luò)從輸入圖像的角度解釋卷積網(wǎng)絡(luò)，而不是激活最大化的單個(gè)神經(jīng)元[94,99,100].反卷積網(wǎng)絡(luò)突出了激活每一層中單個(gè)神經(jīng)元的輸入圖像的模式，提供了一種工具來解釋網(wǎng)絡(luò)并識(shí)別訓(xùn)練有素的網(wǎng)絡(luò)的任何問題。

2.2.3 網(wǎng)絡(luò)反轉(zhuǎn)

激活最大化和反卷積網(wǎng)絡(luò)的技術(shù)涉及從神經(jīng)元的角度解釋網(wǎng)絡(luò)。另一方面，網(wǎng)絡(luò)反轉(zhuǎn)試圖從一層的角度分析激活模式。顧名思義，網(wǎng)絡(luò)反轉(zhuǎn)試圖從任意層的激活模式中重建輸入[95].網(wǎng)絡(luò)反演提供了一種工具來解釋特定層將存儲(chǔ)的信息。近年來，已經(jīng)提出了許多不同的網(wǎng)絡(luò)反演方法，例如Hoggles[101]和上卷積神經(jīng)網(wǎng)絡(luò)[102]能夠從任何算法生成的特征空間重建輸入，例如梯度直方圖（HoG）[103],尺度不變特征變換(SIFT)[104]，或卷積神經(jīng)網(wǎng)絡(luò)[27].

2.2.4 網(wǎng)絡(luò)剖析

激活最大化、反卷積網(wǎng)絡(luò)和網(wǎng)絡(luò)反轉(zhuǎn)技術(shù)提供了理解特定神經(jīng)元或?qū)拥募せ钅Ｊ降墓ぞ?。然而，這些方法不提供對(duì)這些激活模式的語(yǔ)義解釋。因此，Bau等人。[96]提出了網(wǎng)絡(luò)解剖技術(shù)，試圖將卷積神經(jīng)網(wǎng)絡(luò)中的每個(gè)神經(jīng)元與一個(gè)語(yǔ)義概念相關(guān)聯(lián)。

如果您對(duì)影像組學(xué)，腦影像數(shù)據(jù)分析感興趣，可瀏覽思影科技課程及服務(wù)，感謝轉(zhuǎn)發(fā)支持（可添加微信號(hào)siyingyxf或18983979082咨詢，另思影提供免費(fèi)文獻(xiàn)下載服務(wù)，如需要也可添加此微信號(hào)入群）:

3．影像組學(xué)

放射學(xué)已廣泛應(yīng)用于不同器官和模式的許多不同精密醫(yī)學(xué)應(yīng)用實(shí)踐中。關(guān)于影像組學(xué)的數(shù)學(xué)背景和應(yīng)用的最新評(píng)論可以在[54]中得到解讀，這篇文章討論了影像組學(xué)的局限性105].目前最先進(jìn)的影像組學(xué)技術(shù)是處理從影像圖像中提取一階和高階統(tǒng)計(jì)特征[50–53,55,56].我們將概述影像組學(xué)領(lǐng)域的一些較新進(jìn)展，然后在以下小節(jié)中詳細(xì)討論影像組學(xué)的可解釋性。影像組學(xué)的簡(jiǎn)史已在圖7.

圖7 紋理和影像學(xué)領(lǐng)域重要進(jìn)展的時(shí)間軸

3.1 多參數(shù)影像組學(xué)

傳統(tǒng)上，影像組學(xué)是為從單一模式（例如肺癌患者的CT掃描）中提取特征而開發(fā)的。影像組學(xué)領(lǐng)域正在迅速擴(kuò)展到多參數(shù)成像設(shè)置的應(yīng)用，其中在患者身上采集多個(gè)不同的成像序列以進(jìn)行更完整的診斷。因此，最近開發(fā)了新的多參數(shù)影像組學(xué)(MPRAD)方法來整合多參數(shù)數(shù)據(jù)集中存在的所有成像信息，從而產(chǎn)生新的影像組學(xué)特征指標(biāo)[106].MPRAD特征是基于高維多參數(shù)成像數(shù)據(jù)中組織間特征關(guān)系的提取，而不是單個(gè)圖像或感興趣區(qū)域中傳統(tǒng)影像組學(xué)特征提取的體素間關(guān)系，如圖8所示.MPRAD允許在組織類型之間更好地描繪組織，并允許改進(jìn)用于精準(zhǔn)醫(yī)學(xué)診斷的定量影像組學(xué)測(cè)量。

乳腺病變的多參數(shù)影像組學(xué)導(dǎo)致惡性和良性乳腺病變之間的分類更高，敏感性和特異性分別為82.5%和80.5%，AUC為0.87[106].更重要的是，使用多參數(shù)影像組學(xué)，AUC增加了9%-28%。通過單一影像組學(xué)方法。在患有急性中風(fēng)的腦部患者中，多參數(shù)影像組學(xué)能夠比單參數(shù)影像組學(xué)更完全地區(qū)分灌注-擴(kuò)散不匹配[106].圖9說明了多參數(shù)影像組學(xué)在良性和惡性病變中的應(yīng)用。

圖8 說明GLCM影像特征與常規(guī)單圖像和多參數(shù)影像特征之間的差異。

（a）單圖像影像組學(xué)特征提取放射圖像平面內(nèi)的像素間關(guān)系，而（b）多參數(shù)影像組學(xué)提取跨多個(gè)放射圖像的組織間特征關(guān)系。

圖9 良性和惡性病變的單參數(shù)和多參數(shù)放射分析獲得的多參數(shù)影像特征圖圖解。

頂行：良性病變患者的示例，其中黃色直箭頭突出顯示病變。單參數(shù)和多參數(shù)熵放射圖像之間存在明顯差異，其中多參數(shù)清3晰地劃分了病變。

下排：惡性病變患者的類似分析（黃色箭頭）。同樣，多參數(shù)熵圖改善了腺體組織和病變組織之間的組織描繪。

3.2 影像組學(xué)的可解釋性

自影像組學(xué)誕生以來，影像組學(xué)特征的可解釋性一直是影像組學(xué)的主要限制。這部分是因?yàn)橛跋窠M學(xué)特征沒有經(jīng)過標(biāo)準(zhǔn)化，以及與感興趣區(qū)組織的基礎(chǔ)生物學(xué)相關(guān)特征不能合理解釋的困難。例如，從感興趣區(qū)域提取的影像組學(xué)特征(ROI)取決于ROI的大小以及為圖像量化選擇的灰度級(jí)和箱數(shù)，如以下小節(jié)所述。

3.2.1 取決于投資回報(bào)率的大小

考慮熵和均勻性的一階特征，由以下等式給出：

這里，H是一階直方圖，具有B個(gè)箱值。

以取的值范圍在0到log2N之間變化，其中 N 是數(shù)字均勻性特征可以在 (1/N) 和 1 之間變化。例如，考慮一個(gè) 5 × 5 大小的 ROI。此 ROI 的最小異質(zhì)性或最大均勻性發(fā)生在所有組織中的體素。同樣，值的范圍是體素具有相同的強(qiáng)度值。在這種情況下，對(duì)于所有 i ∈ {2,3, …, B}，(1) = 1 和 H(i) = 0 的值。因此，此 ROI 的熵值和均勻性值分別為 0 和 1。但是，最大異質(zhì)性或最小均勻性發(fā)生在所有體素都具有不同的強(qiáng)度值。在這種情況下，對(duì)于所有 i ? {1,2, …, B}，(i) =1的值。因此，此 ROI 的熵值和均勻性值分別為 log225 = 4.64 和 0.04。

ROI大小與影像組學(xué)特征之間的依賴性已在大量研究中觀察到，并在[105].有兩種可能的方法可以克服這一限制：影像組學(xué)特征映射和特征歸一化。

影像組學(xué)特征映射(RFM)使用基于一階和二階統(tǒng)計(jì)的統(tǒng)計(jì)內(nèi)核將放射圖像轉(zhuǎn)換為紋理圖像[13].RFM計(jì)算放射圖像中每個(gè)體素的影像組學(xué)值，從而抵消了尺寸依賴性的影響。然而，RFM的計(jì)算具有很高的時(shí)間復(fù)雜度。對(duì)于二階GLCM特征，對(duì)于量化為G灰度級(jí)的N×N放射圖像，使用W×W大小的滑動(dòng)窗口計(jì)算RFM的時(shí)間復(fù)雜度為O(N2,G2,W2).最近，使用深度卷積神經(jīng)網(wǎng)絡(luò)在MRI乳腺癌研究中初步成功地合成了熵特征圖[107]。影像組學(xué)特征也可以歸一化為ROI的大小。例如，計(jì)算一階熵的方程可以修改為：

3.2.2 對(duì)圖像合并和灰度級(jí)量化的依賴 用于影像組學(xué)分析的灰度級(jí)或箱數(shù)與相應(yīng)的影像組學(xué)特征之間存在內(nèi)在依賴性。從等式(1)和(2)可以看出這種依賴性，其中箱數(shù)用作計(jì)算熵和均勻性的輸入變量。圖10展示了熵對(duì)分箱和用于圖像過濾的鄰域參數(shù)的依賴性。當(dāng)合并增加時(shí)，會(huì)導(dǎo)致信息和圖像對(duì)比度丟失。 Shafiqul-Hasan等人評(píng)估了灰度級(jí)量化和GLCM特征之間的依賴性。[108]對(duì)于某些二階特征。作者發(fā)現(xiàn)，影像組學(xué)特征與所選特征集的灰度級(jí)數(shù)呈線性、二次或三次關(guān)系。作者進(jìn)一步提出了修正方程計(jì)算不同的影像組學(xué)特征并測(cè)試它們對(duì)不同體模的功效。然而，灰度級(jí)量化實(shí)際上改變了放射圖像中存在的信息。除了數(shù)學(xué)依賴性之外，灰度級(jí)量化和影像組學(xué)特征之間還存在內(nèi)在依賴性，這在任何研究中尚未得到解決。例如，如果我們考慮將放射圖像量化為一個(gè)灰度級(jí)的極端情況，我們將丟失圖像中存在的所有信息。不能通過數(shù)學(xué)修改影像組學(xué)公式來糾正影像圖像中的這種信息丟失，而是通過選擇最佳數(shù)量的灰度級(jí)來糾正這個(gè)問題。目前，不存在用于選擇灰度級(jí)數(shù)的標(biāo)準(zhǔn)化方法，該灰度級(jí)數(shù)將最小化所得量化圖像中的信息損失。在未來，只有通過標(biāo)準(zhǔn)化選擇最佳灰度級(jí)或一系列理想灰度級(jí)的程序，才能實(shí)現(xiàn)影像組學(xué)的標(biāo)準(zhǔn)化，以跨多個(gè)平臺(tái)使用放射圖像的量化。

圖10 （a）說明用于圖像濾波和圖像合并的鄰域大小的熵值對(duì)a（b）的依賴性。CT圖像（軟組織窗口）。（c）熵與箱的曲線似乎遵循一種不同的模式，其中熵值在一定范圍內(nèi)隨箱數(shù)的對(duì)數(shù)線性變化，在該范圍外保持或多或少的恒定。熵的值隨著鄰域?yàn)V波器的大小的增加而一致地增加。

4.討論

深度學(xué)習(xí)和影像組學(xué)方法正在影響精準(zhǔn)放射學(xué)研究的范式轉(zhuǎn)變。近年來，深度學(xué)習(xí)方法在醫(yī)學(xué)圖像分析的許多研究領(lǐng)域都有應(yīng)用，從圖像采集到圖像配準(zhǔn)、分割和分類[8,9]。影像組學(xué)提供了一種基于圖像中灰度級(jí)紋理的新定量指標(biāo)，以幫助檢測(cè)和表征不同的病理。通過將影像組學(xué)和深度學(xué)習(xí)結(jié)合在一起，它們有可能徹底改變放射學(xué)領(lǐng)域，開辟個(gè)性化影像醫(yī)學(xué)的新領(lǐng)域[107]。

目前最先進(jìn)的影像組學(xué)技術(shù)在可解釋性、標(biāo)準(zhǔn)化和可視化方面面臨一些挑戰(zhàn)。灰度級(jí)量化的預(yù)處理步驟是影像組學(xué)研究的一個(gè)活躍領(lǐng)域。圖像的這種量化可能會(huì)改變放射圖像中存在的固有信息。放射圖像中的這些變化無(wú)法進(jìn)行數(shù)學(xué)校正，并且可能會(huì)在紋理特征方面產(chǎn)生不正確的結(jié)果。未來需要開發(fā)類似于信噪比和對(duì)比噪聲比的定量影像組學(xué)指標(biāo)，這將衡量原始圖像和量化放射圖像之間的信息損失。此外，還需要定義一個(gè)標(biāo)準(zhǔn)化的公差水平，以確保影像組學(xué)結(jié)果的正確性。最后，在將紋理特征與感興趣組織的生物學(xué)聯(lián)系起來的方面也進(jìn)行了積極的研究。這種與生物學(xué)的聯(lián)系可能會(huì)隨著多參數(shù)影像組學(xué)的引入而加速，其中具有已知生物學(xué)特性的多個(gè)圖像可以直接與紋理特征相關(guān)聯(lián)。而在過去，只能使用單個(gè)圖像。

最近的報(bào)告表明，深度學(xué)習(xí)方法，尤其是CNN，能夠在初始卷積層中捕獲放射圖像中存在的紋理信息。這種紋理信息可以被可視化使用先進(jìn)的網(wǎng)絡(luò)可解釋性技術(shù)來更好地理解不同影像組學(xué)方法的含義。例如，可視化具有低熵值和高熵值的圖像的紋理特征差異對(duì)于組織的異質(zhì)性非常有用。此外，CNN有可能完全取代當(dāng)前從放射圖像生成影像組學(xué)數(shù)據(jù)的方法，正如該方向的初步工作所示[107].隨著Resnet等新型架構(gòu)的發(fā)展，深度學(xué)習(xí)方法在計(jì)算機(jī)視覺研究中取得了巨大的成功，例如Resnet [6], Densenet [7]，和Inception [3].然而，這些架構(gòu)針對(duì)紅色、綠色和藍(lán)色圖像的計(jì)算機(jī)視覺（例如Imagenet）應(yīng)用進(jìn)行了優(yōu)化，但是這些優(yōu)化的方案可能并沒有專門的針對(duì)醫(yī)學(xué)圖像分析的應(yīng)用進(jìn)行專門的優(yōu)化設(shè)定，在醫(yī)學(xué)圖像分析中，它們基于灰度級(jí)。將這些架構(gòu)直接轉(zhuǎn)化使用在醫(yī)學(xué)領(lǐng)域可能不會(huì)產(chǎn)生最佳結(jié)果，尤其是對(duì)于多參數(shù)和多模態(tài)成像數(shù)據(jù)集。有關(guān)基礎(chǔ)任務(wù)的領(lǐng)域知識(shí)可以為將這些深度學(xué)習(xí)架構(gòu)轉(zhuǎn)化為應(yīng)用于醫(yī)學(xué)成像方法提供必要的橋梁。Kaggle在基于光學(xué)成像的糖尿病視網(wǎng)膜病變挑戰(zhàn)中展示了一些初步的轉(zhuǎn)變[110].在典型的深度學(xué)習(xí)框架中有兩個(gè)主要組成部分，其中領(lǐng)域知識(shí)可以提高深度學(xué)習(xí)在醫(yī)學(xué)圖像分析中的功效。第一個(gè)組件在訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)之前處理圖像預(yù)處理（例如歸一化）。許多應(yīng)用已經(jīng)證明，尺度標(biāo)準(zhǔn)化對(duì)于訓(xùn)練和測(cè)試機(jī)器和深度學(xué)習(xí)算法至關(guān)重要[111,112]。

第二個(gè)組成部分是神經(jīng)網(wǎng)絡(luò)架構(gòu)本身。為語(yǔ)義分割的特定任務(wù)開發(fā)的深度學(xué)習(xí)架構(gòu)的典型例子是U-net[5].從視覺到醫(yī)學(xué)圖像分析應(yīng)用程序的轉(zhuǎn)換提出了一些獨(dú)特的挑戰(zhàn)。例如，分割或分類問題通常被表述為二元問題，但是這個(gè)問題不評(píng)估正?；虍惓＝M織內(nèi)的異質(zhì)性。通過在每種組織類型中注釋所有可能的類別，可以潛在地解決此問題。然而，這種解決方案既不切實(shí)際又計(jì)算量大，因?yàn)樗枰獙＜矣盟锌赡艿慕M織類別仔細(xì)注釋每張圖像。因此，無(wú)監(jiān)督的深度學(xué)習(xí)方法，如自動(dòng)編碼器[33],生成對(duì)抗網(wǎng)絡(luò)[40]，或深度信念網(wǎng)絡(luò)[66]可用于表征潛在的組織異質(zhì)性。

深度學(xué)習(xí)方法目前面臨一些挑戰(zhàn)，例如可解釋性、優(yōu)化和驗(yàn)證（在前瞻性意義上）。算法的開發(fā)取得了重大進(jìn)展，這些算法可能會(huì)打開許多深度神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)“黑匣子”。這些技術(shù)包括激活最大化[93],反卷積網(wǎng)絡(luò)[94],網(wǎng)絡(luò)反轉(zhuǎn)[95]，以及網(wǎng)絡(luò)剖析[96].激活最大化和反卷積網(wǎng)絡(luò)技術(shù)從神經(jīng)元的角度處理網(wǎng)絡(luò)的可解釋性，網(wǎng)絡(luò)反轉(zhuǎn)試圖從網(wǎng)絡(luò)的角度重建輸入，網(wǎng)絡(luò)解剖將卷積神經(jīng)網(wǎng)絡(luò)中的每個(gè)神經(jīng)元關(guān)聯(lián)起來形成具有語(yǔ)義概念的網(wǎng)絡(luò)。
最近，通過結(jié)合現(xiàn)有的解釋深度神經(jīng)網(wǎng)絡(luò)的技術(shù)并將它們視為此類接口的基礎(chǔ)和組合構(gòu)建塊，提出了一種新穎的接口[113].然而，這些方法尚未轉(zhuǎn)化為臨床和影像學(xué)數(shù)據(jù)以應(yīng)用于精準(zhǔn)醫(yī)學(xué)。未來，我們將看到這些技術(shù)被轉(zhuǎn)化、理解為分析臨床和影像學(xué)數(shù)據(jù)而開發(fā)的算法，以及專門為理解此類數(shù)據(jù)集而開發(fā)的更新的專業(yè)技術(shù)。此外，一些深度學(xué)習(xí)模型很容易被對(duì)抗性圖像塊的引入所干擾[92].最近，正在開發(fā)更新的架構(gòu)以產(chǎn)生對(duì)對(duì)抗性攻擊有彈性的深度網(wǎng)絡(luò)[114].
深度神經(jīng)網(wǎng)絡(luò)架構(gòu)的優(yōu)化是一項(xiàng)重大挑戰(zhàn)。網(wǎng)絡(luò)參數(shù)的搜索空間通常非常大，根據(jù)經(jīng)驗(yàn)評(píng)估完整的搜索空間來為特定任務(wù)開發(fā)最佳神經(jīng)網(wǎng)絡(luò)架構(gòu)可能不切實(shí)際。為此，正在開發(fā)更新的方法來有效地計(jì)算最佳神經(jīng)網(wǎng)絡(luò)架構(gòu)（例如Adanet[115]).Adanet可以自適應(yīng)地優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)和每個(gè)連接的權(quán)重。此外，使用或不使用高級(jí)優(yōu)化算法（如Adanet）訓(xùn)練的深度網(wǎng)絡(luò)仍然在一個(gè)特定時(shí)間點(diǎn)使用有限大小的數(shù)據(jù)集進(jìn)行訓(xùn)練。神經(jīng)網(wǎng)絡(luò)應(yīng)該能夠在遇到更多數(shù)據(jù)時(shí)自動(dòng)更新其架構(gòu)（類似于人腦）。這種類型的網(wǎng)絡(luò)被稱為終身學(xué)習(xí)，最近的評(píng)論描述了文獻(xiàn)中提出的幾種不同的終身學(xué)習(xí)方法[116].未來，用于臨床決策支持系統(tǒng)的深度學(xué)習(xí)方法將不僅僅是單一的神經(jīng)網(wǎng)絡(luò)，而是一個(gè)結(jié)合了決策支持、網(wǎng)絡(luò)可解釋性、網(wǎng)絡(luò)優(yōu)化和終身學(xué)習(xí)算法的混合框架。
總之，深度學(xué)習(xí)和影像組學(xué)都是兩種快速發(fā)展的技術(shù)，它們可能在未來聯(lián)合起來產(chǎn)生一個(gè)統(tǒng)一的臨床決策支持框架，有可能徹底改變精準(zhǔn)醫(yī)學(xué)領(lǐng)域。
深度學(xué)習(xí)和影像組學(xué)正在許多研究領(lǐng)域迅速占據(jù)主導(dǎo)地位，并且是一個(gè)相對(duì)較新的研究領(lǐng)域，盡管它使用的是幾十年前開發(fā)的方法。在發(fā)展經(jīng)濟(jì)和日益增長(zhǎng)的計(jì)算方法上，深度學(xué)習(xí)在許多不同領(lǐng)域都取得了早期的成功。然而，需要進(jìn)行廣泛的研究來評(píng)估網(wǎng)絡(luò)在每一層的工作方式以及權(quán)重到節(jié)點(diǎn)的傳輸方式。網(wǎng)絡(luò)超參數(shù)的優(yōu)化，例如，批處理規(guī)范化、正則化、擬合參數(shù)等，同樣，對(duì)于影像組學(xué)來說，主要的挑戰(zhàn)是與生物學(xué)和功能的聯(lián)系，其中有幾個(gè)主要步驟需要解決，例如。預(yù)處理步驟，例如量化、數(shù)據(jù)灰度級(jí)和合并的最佳方法，以及不同圖像分辨率的最佳鄰域大小。為這兩種方法建立標(biāo)準(zhǔn)將需要更多的研究和驗(yàn)證研究。
在接下來的五年里，我們將見證深度學(xué)習(xí)和影像組學(xué)方法改變醫(yī)學(xué)成像及其在個(gè)性化醫(yī)療中的應(yīng)用。這些技術(shù)將發(fā)展為基于不同網(wǎng)絡(luò)和先進(jìn)影像組學(xué)方法組合的混合系統(tǒng)，以實(shí)現(xiàn)更完整的診斷。
總之，隨著深度學(xué)習(xí)和影像組學(xué)方法的成熟，它們的使用將成為臨床決策支持系統(tǒng)的一部分，可用于快速挖掘患者數(shù)據(jù)空間和放射成像生物標(biāo)志物，推動(dòng)醫(yī)學(xué)朝著精準(zhǔn)醫(yī)療的目標(biāo)邁進(jìn)。

如需原文及補(bǔ)充材料請(qǐng)?zhí)砑铀加翱萍嘉⑿牛?/span>siyingyxf或18983979082獲取,如對(duì)思影課程及服務(wù)感興趣也可加此微信號(hào)咨詢。另思影提供免費(fèi)文獻(xiàn)下載服務(wù)，如需要也可添加此微信號(hào)入群，原文也會(huì)在群里發(fā)布，如果我們的解讀對(duì)您的研究有幫助，請(qǐng)給個(gè)轉(zhuǎn)發(fā)支持以及右下角點(diǎn)擊一下在看，是對(duì)思影科技的支持，感謝！

微信掃碼或者長(zhǎng)按選擇識(shí)別關(guān)注思影

非常感謝轉(zhuǎn)發(fā)支持與推薦

歡迎瀏覽思影的數(shù)據(jù)處理業(yè)務(wù)及課程介紹。（請(qǐng)直接點(diǎn)擊下文文字即可瀏覽思影科技所有的課程，歡迎添加微信號(hào)siyingyxf或18983979082進(jìn)行咨詢，所有課程均開放報(bào)名，報(bào)名后我們會(huì)第一時(shí)間聯(lián)系，并保留已報(bào)名學(xué)員名額）：

核磁：

上海：

第七屆影像組學(xué)班(上海，12.22-27)

第七十四屆磁共振腦影像基礎(chǔ)班(上海，22.12.28-23.1.2）

第七屆擴(kuò)散磁共振成像提高班（上海，1.12-17）

第二十五屆磁共振腦影像結(jié)構(gòu)班（上海，2.3-8）

第二十九屆擴(kuò)散成像數(shù)據(jù)處理班（上海，2.11-16）

重慶：

第二十八屆彌散成像數(shù)據(jù)處理班（重慶，12.29-1.3）

第二十三屆磁共振腦影像結(jié)構(gòu)班（重慶，2.8-13）

南京：

第七十六屆磁共振腦影像基礎(chǔ)班（南京，1.10-15）