Page 61 - 《中国医疗器械杂志》2026年第2期
P. 61

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

                                                    综     合     评    述



                                                                                            [46]
              在高维CT数据中直接聚焦于异常结构，实现对病                            任务中的表现优于单模态方法 ；SW-HGL方法则
              灶的精准定位，并在LUNA-16数据集上有了突出                          将功能连接建模为多尺度图结构并融入小世界网络
                  [92]
              表现 ；其二是利用人类视觉搜索中的注视行为作                            特性，在HCP数据集的认知评分预测中，整体性能
                                                                                           [26]
              为外部监督信号，将放射科医师的注意分配转化为                            超越多种图神经网络基线模型 。
              可学习约束，从而显式引导模型关注与诊断相关的                                （5）针对医学影像分析中常见的多中心数据
                                         [93]
              病灶区域并提升定位一致性 。进一步地，Gaze                           异质性及标注稀缺等挑战，生成模型与类脑记忆机
              Pre-Training（GzPT）框架将这种对齐提前至预训                    制分别从数据供给与持续适应两方面提供了直接解
              练阶段，通过在无标注条件下学习人类注视模式，                            决方案。一方面，生成模型可在严格保护原始数
              使模型在膝关节、乳腺及牙科影像定位任务中的表                            据隐私的前提下，有效扩展训练样本空间，并将
                                       [94]
              现显著优于传统自监督模型 。                                    解剖形态的先验知识与群体统计规律深度编码于
                  （3）医学影像分析中的分割任务旨在对医学                          数据分布之中。例如，TUDOSIU等 基于VQ-VAE
                                                                                                [99]
              影像中的特定组织或病变区域实现像素级识别，因                            与Transformer提出了一种三维脑MRI生成模型——
              此模型需要同时具备细粒度边界刻画能力与对整体                            BrainSynth，在UK Biobank与ADNI大样本数据集
              解剖结构的全局理解。针对这一任务，类脑机制的                            中实现了条件化的高分辨率脑结构合成。该方法在
              引入思路可以归纳为两条主线。一是通过结构优化                            FID、MMD等分布一致性指标以及脑室体积、皮
              强化对层级关系的建模。例如，胶囊网络借助其向                            层厚度等形态学统计量上均显著优于多种3D GAN
              量式神经元与动态路由机制，更接近生物视觉系统                            基线，且生成的样本在下游年龄预测任务中的表现
              对部分–整体关系的处理方式。其中SegCaps模型                         接近真实数据。这种通过显式保持脑形态与群体统
              采用局部约束路由与反卷积胶囊结构，在多个公开                            计规律的方式，可视为一种在数据层面引入脑结构
              数据集的肺部CT与MRI病变分割任务中，保持                            先验的类脑生成建模尝试，有助于缓解脑影像分析
              高精度的同时显著提升了参数效率 。二是通过                             中的数据稀缺、隐私保护与公平性问题，展现出良
                                               [95]
              扩展感受野与引入全局上下文，弥补纯CNN在长                            好的应用前景。另一方面，持续学习场景下的回放
              程依赖建模上的不足。例如，TransUNet模型将                         机制通过生成并重演旧任务的代表性数据，有效模
              Transformer的全局自注意力机制与U-Net的解码结                    拟了大脑的记忆巩固过程，使模型能够适应多中心
              构相结合，能够有效建模长程依赖以实现精细定                             数据流并显著缓解灾难性遗忘问题                  [100] 。在此基础
              位，在多类医学图像分割任务中表现出优于传统                             上，ZHENG等      [101] 进一步将选择性经验回放与核心
              CNN的潜力 。                                          集压缩相结合，在脑室定位及全身MRI多解剖标志
                         [96]
                  （4）医学影像分析中的预测任务侧重于从医                          物定位任务中，实现了约十倍经验缓冲的压缩，同
              学影像中推断未来的临床结局或认知表型。其难点                            时基本保持了模型性能，从而在性能与存储/计算
              不仅在于特征维度高，更在于结局相关信息往往以                            开销之间取得了良好的平衡。
              网络结构、时间演化与跨模态耦合的形式被编码。                                综上所述，类脑ANN的优势主要体现在将生物
              为此，研究者逐步将更接近真实神经信息处理机制                            启发机制工程化融入医学影像建模的过程，从而在
              的归纳偏置引入模型设计。在脑连接组分析方面，                            分类、目标检测、分割及预测等核心任务中提升模
              BrainNetCNN通过设计面向连接矩阵的专用卷积                        型性能与泛化能力，同时为解决多中心分布差异与
              核，实现了对脑网络拓扑的高效表征，并成功应用                            标注资源有限等临床落地难题提供了可行路径，推
              于基于新生儿DTI数据的神经发育结局预测任务 。                          动了医学影像智能分析更接近临床可部署应用。
                                                         [97]
              当预测更依赖动态过程时，脉冲神经网络展现出独                             5.2    设计与应用面临的挑战
              特价值。例如，NeuCube利用三维SNN架构实现了                            在模型设计层面，类脑ANN仍面临着建模范
              脑区拓扑与时间动态的联合建模，在癫痫与偏头痛                            式缺失、机制异构与训练稳定性不足等多重挑战。
              的EEG分析及认知预测中取得了良好效果                    [23,98] 。在  当前研究大多聚焦于神经元放电、突触可塑性或连
              结构与功能等多模态信息共同决定结果的情况下，                            接结构等局部特性，尚缺乏能够统筹神经元动力
              图神经网络通过融合多模态连接信息进一步提升了                            学、脑区耦合与全脑功能的一体化建模框架。以典
              预测性能。例如，M-GCN模型采用结构连接引导                           型的SNN为例，其虽在放电机制上更贴近生物神经
              功能连接表征学习，在认知能力预测与孤独症检测                            元，但由于基于脉冲的离散激活特性及时间维度的


                                                             175
   56   57   58   59   60   61   62   63   64   65   66