Page 60 - 《中国医疗器械杂志》2026年第2期
P. 60

Chinese Journal of Medical Instrumentation                                         2026年 第50卷 第2期

                                                    综     合     评    述



              的风险规避行为。又如，伊利诺伊大学开发的                              在HAM10000与ISIC 2018皮肤镜数据集上，以监督
              CyberOctopus系统，将海蛞蝓的简单关联学习规则                      式CNN为基础，通过深度Q学习结合非对称奖励函
              与章鱼的记忆机制相结合，使人工智能体能够在探                            数，显式编码了“漏诊风险高于误切风险”的临床
              索过程中自主构建认知地图与避障策略，从而显著                            偏好，在保持总体准确率基本不变的前提下，显著
                                     [83]
              提升了其对环境的适应力 。尽管这些研究的对象                            提升了黑色素瘤与基底细胞癌的识别敏感性，并改
              与任务各不相同，但它们都立足于真实动物的学习                            善了在临床读片场景中的管理决策表现。这一做法
              行为，利用仿生的生理机制来设计学习规则与架                             与神经系统中通过奖惩信号调节行为策略的学习
              构，为提升系统的适应性、可解释性和泛化能力提                            范式相对应，并将模型的优化目标转向临床风险的
              供了有力支持。                                           优化。
                                                                    当任务转向脑影像、胸片等标注稀缺且跨机构
               5    应用展望与未来挑战
                                                                                     分布差异显著的场景时，自监督与结构–功能耦合
                  随着类脑ANN的持续发展，医学影像分析已                          为泛化能力提升提供了关键路径。SCG-ViT模型通
              成为其重要应用领域。与传统深度学习方法 相                             过脑结构连接引导视觉Transformer对功能连接矩阵
                                                        [84]
              比，类脑模型更接近生物神经系统的信息处理机                             进行特征筛选，在早产儿与足月儿脑MRI分类中提
              制，因此能为医学影像分析中的多个核心任务提供                            升准确率，并揭示了功能连接差异与基因表达的相
                                                                                                           [87]
              创新性解决方案。                                          关性，从而将分类证据与生物学解释关联起来 。
               5.1    类脑ANN在医学影像分析中的应用                          CheXzero模型则利用胸片–报告数据进行自监督学
                  本节将围绕医学影像分析中的分类、目标检                           习，在多个机构数据上实现了与专家水平相当的零
                                                                                 [88]
                                                                                                      [89]
              测、分割及预测这四个代表性下游任务，并针对临                            样本病灶识别能力 。类似地，PARK等 提出的
              床落地时面临的多中心分布差异与标注资源有限等                            DISTL框架基于视觉Transformer，将自监督特征学
              现实挑战，系统梳理类脑ANN典型机制的引入方                            习与教师–学生式自训练相结合，在仅使用约10%
              式及其带来的优势。                                         标注数据的情况下，充分利用其余90%未标注胸片
                                                                进行逐步学习，从而在多中心的结核筛查外部验证
                  （1）医学影像分析中的分类任务是类脑ANN
              应用最集中、成果最突出的方向之一。这里的“类                            集（如CNUH、YNU、KNUH等）上将结核诊断
              脑”并非更换网络架构，而是强调在深层视觉表征                            AUC提升至0.97以上，并在SIIM-ACR气胸数据集
              的基础上，引入与神经信息处理相关的关键机制，                            及多源COVID-19胸片数据中同样取得了优于全监
              例如奖惩驱动的决策学习、选择性注意、脑连接约                            督CNN的分类性能。
              束下的结构–功能耦合建模以及面向表征自组织的                                与此同时，注意力机制与解释性增强技术作为
              自监督学习等。相应地，下文将按照递进逻辑思路                            类脑思想中“选择性信息路由”原则的工程化体
              从强表征基线建立、临床风险偏好约束、弱标注与                            现，构成了贯穿不同学习阶段与数据模态的通用机
              多中心泛化提升、注意与可解释性增强这四个方面                            制。CBAM-ResNet通过通道与空间注意力模块有
              展开，梳理类脑机制在分类任务中的应用路径及其                            效捕捉肺结节相关特征，在多中心CT数据上实现
              临床意义和价值。                                          了AUC=0.94的优异表现，同时提升了显著性图对
                                             [85]
                                                                                  [90]
                  在表征学习阶段，ESTEVA等 基于深度CNN                       病灶区域的解释力 。在眼科OCT三维影像分析
                                                                                [91]
              （Inception-v3）构建皮肤病灶诊断模型。在近13                     中，DE FAUW等 构建的分割–分类两阶段深度网
              万张临床皮肤病灶图像上训练后，在黑色素瘤与良                            络框架，在真实临床病例中的总体误诊率仅为5.5%，
              性痣、角质细胞癌与良性脂溢性角化病这两项关键                            表现与资深视网膜专科医生相当甚至更优，彰显了
              鉴别任务中均实现了AUC ≥ 0.91的优秀性能，其敏                       类脑机制在复杂影像场景中的应用价值。
              感性与特异性可与21位皮肤科医师的表现相当。                                （2）医学影像分析中的目标检测任务要求模
              该研究为类脑模型在医学影像自动分类领域的性能                            型不仅能准确识别病灶，还需要精确定位其在影像
              建立了早期基准。                                          中的空间位置和范围。针对这一需求，类脑机制的
                  在此基础上，研究开始从单纯追求总体分类指                          引入思路可概括为两类：其一是在模型内部引入注
              标转向融入临床风险结构的约束。BRATA等 将                           意力选择，使网络在高维医学影像中对疑似异常区
                                                        [86]
              皮肤癌诊断建模为一个基于奖惩的强化学习问题：                            域实现主动聚焦，例如，AttentNet借助注意力机制


                                                             174
   55   56   57   58   59   60   61   62   63   64   65