梁长虹

医学影像检查作为临床疾病诊断的重要方法，在疾病的病灶检出、定性、疗效评价和预后预测等方面起着举足轻重的作用，是临床实践中不可或缺的辅助手段。近年来，随着医学影像数据激增以及计算机硬件性能的提升，机器学习在医学影像领域大显身手，并迅速成为目前智能医疗研究的热点。

传统的医学影像分析高度依赖临床医生的经验，主要以主观的判断为主，通常基于病灶形态、大小、部位、密度/信号、强化模式等做出诊断。而传统的计算机医学图像分析十分繁琐，主要是根据一些人工预先定义好的特征，通过计算来得到其特征值，但这些特征对于准确描述医学影像包含的信息是不全面且不恰当的。这种基于医师主观经验判读的方法，存在主观性强、依赖临床经验、耗时等缺点，已不能满足现代医疗模式转向智能医疗的要求。而机器学习在医学影像领域的兴起，以快速、客观等优势，有望为临床实践带来变革。机器学习作为人工智能的一个核心分支，旨在对计算机进行大量数据训练，挖掘深层信息，使计算机获得自主学习能力，实现智能分析。

近年来，机器学习在计算机视觉、自然语言处理、生物信息学等领域取得了突破性进展[1]。尤其在医学领域，机器学习在疾病的检出、诊断、评估、图像分割、配准与量化等方面取得了长足的进步[2-4]。令人振奋的是美国FDA批准了首个基于人工智能对糖尿病视网膜病变病人及其视力受损程度进行早期检测的医疗设备[5]，在减轻医生工作负担的同时，提高了疾病筛查和诊断的准确性，这代表着以机器学习为载体的医疗产品向临床转化迈出了重要一步。本期“机器学习与医学影像”专题中刊出的《机器学习及其在肝脏疾病影像诊断中的研究进展》[6]、《机器学习在鼻咽癌影像分析中的研究进展》[7]文章中，分别报道了机器学习在肝脏、鼻咽癌领域筛查、诊断的研究进展。

以深度学习为代表的机器学习技术，在肿瘤影像分析层面取得了令人印象深刻的效果。Kooi等[8]将深度学习技术用于检测乳腺肿块和钙化，准确度高达90%。《JAMA》和《Nature》最近发表的基于深度神经网络的糖尿病视网膜病变和皮肤癌诊断研究[9-10]结果显示，其诊断水平甚至可与专业医师相当。本期专题中刊出的《基于深度学习的癌症计算机辅助分类诊断研究进展》、《基于深度学习的人工智能技术在乳腺癌筛查及影像诊断中的应用进展》等3篇文章[11-13]，分别阐述了深度学习技术在肺癌、乳腺癌等领域的最新研究进展。国内外的这些研究充分体现了深度学习的发展，对医学影像的分析正产生着深刻的影响。

尽管机器学习在医学影像上能辅助临床医师快速进行疾病的筛查、诊断，但目前在医疗方面的应用仍处于起步阶段，由理论到产品再到临床转化，还存在诸多挑战，主要体现在以下几个方面：①优质数据的获取。机器学习往往需要大量数据对其进行训练，尤其是监督学习，带标签的数据大小及其规范性直接决定了模型的优良。目前的研究主要集中在相对较小的数据集上，主要原因可能是某些疾病本身就罕见，或者数据纳入标准严格，亦或数据采集不规范等。因此，如何克服或避免这些缺陷，实现数据共通、共享是机器学习未来发展的趋势。②模型泛化能力的提升。机器学习是基于大样本不断学习的过程，如何在学习中找到重要特征，构建稳定性强的模型至关重要。《Nature》报道的针对1 576名研究人员调查显示，约七成的科研成员无法重复别人的实验结果，并且超过半数无法重复自己的实验结果。因此，如何提升模型的鲁棒性，迫在眉睫。③医工交叉团队。在医学图像数据不足、算法开发周期较长的条件下，开展有效的高级机器学习技术研究，并建立医工结合交叉型高精尖人工智能团队实现其临床转化，是未来医学影像的重要发展方向。

尽管国内外涌现出了一大批机器学习研究者，但受限于数据，尤其是带标签的数据，仍局限于一些规模较大的医学中心。加上机器学习技术性较强，导致很多临床一线的医师（包括影像诊断医师）对其了解不够。因此，有必要将机器学习的基本知识、临床价值介绍给临床医生，共同推进机器学习技术的临床转化，早日实现辅助临床决策的目标。