基于深度學習的醫(yī)學影像數(shù)據(jù)的瑕疵及對策

任曉麗

山西醫(yī)科大學汾陽學院 （山西汾陽 032200）

近年來，隨著數(shù)據(jù)的劇增、算法的不斷優(yōu)化及計算能力的迅猛提高，大規(guī)模的神經(jīng)網(wǎng)絡逼近不同函數(shù)及大數(shù)據(jù)擬合成為可能。深度學習（deep learning，DL）融入醫(yī)學影像數(shù)據(jù)，逐步涌現(xiàn)出了各種輔助診斷、預后預測和決策分析的智能模型[1]。基于醫(yī)學影像智能計算是目前智慧醫(yī)療領(lǐng)域的研究熱點[2]，相應的產(chǎn)品也已落地，相關(guān)文獻[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發(fā)的系統(tǒng)應用。基于DL 醫(yī)學影像正逐步邁向智慧醫(yī)療下精準診斷的環(huán)節(jié)，期間也存在尚待解決的些許問題。

1 DL 概述

DL 是先進的機器學習（machine learning）方法，以數(shù)據(jù)驅(qū)動方式分析任務，針對特定問題的大規(guī)模數(shù)據(jù)集自動學習數(shù)據(jù)特性，從訓練數(shù)據(jù)中選擇正確的特征，最后在測試數(shù)據(jù)中做出正確決策。其中深度模型是手段，特征學習是目的。迄今為止在醫(yī)學影像領(lǐng)域，國內(nèi)外學者主要就MRI、CT、X 線、超聲、正電子發(fā)射計算機斷層顯像（positron emission tomography，PET）、病理、光學圖像等開展了DL研究工作[4]。

1.1 DL 算法機理

DL是具有多層非線性處理單元的神經(jīng)網(wǎng)絡[5]，基礎(chǔ)模型主要是深度神經(jīng)網(wǎng)絡，從函數(shù)逼近論的角度講，深度神經(jīng)網(wǎng)絡是一個多層復合函數(shù)。理論上任意一個多元函數(shù)可以表示成若干個單變量函數(shù)的復合，這是機器學習中通過深度神經(jīng)網(wǎng)絡來逼近任意高維函數(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，進行分層非線性映射學習。其中非線性激活函數(shù)為最終擬合函數(shù)生成基函數(shù)，訓練神經(jīng)網(wǎng)絡就是在學習這些基函數(shù)，通過數(shù)量眾多的激活函數(shù)的線性變換及復合來逼近非常復雜的函數(shù)，由此解決了人工設(shè)計基函數(shù)的困惑。

1.2 DL 主要優(yōu)勢

DL將特征提取融入算法，省去了傳統(tǒng)機器學習中手工提取的步驟，直接的好處在于，從原始輸入到最終輸出無需人工設(shè)計模塊，模型根據(jù)數(shù)據(jù)自動調(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）復合的多次變換，將樣本在原空間的特征表示變換到一個新特征空間，通過逐層特征變換，自動提取不同空間的“特征”，進而發(fā)現(xiàn)高維數(shù)據(jù)中的復雜結(jié)構(gòu)，從輸入端的數(shù)據(jù)直接得到輸出端的結(jié)果，是一種端到端的學習方法。其中卷積神經(jīng)網(wǎng)絡憑借強大的特征自動提取功能，成為DL的一個重要組成部分[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)絡具有不同的體系結(jié)構(gòu)和拓撲，適合某些特定的應用程序[7]，目前有關(guān)醫(yī)學圖像分割的DL最新研究大多數(shù)都依賴于U-Net網(wǎng)絡，針對不同的分割任務，網(wǎng)絡結(jié)構(gòu)也有相應的更改[8]。

圖1 傳統(tǒng)CNN 結(jié)構(gòu)圖

2 醫(yī)學影像數(shù)據(jù)在DL 中的不完備性

當前醫(yī)療中高達90% 的數(shù)據(jù)來自醫(yī)學影像，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)，并進行統(tǒng)一存儲、管理。醫(yī)學數(shù)字成像與通信標準（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)學影像的發(fā)展創(chuàng)造了新的契機。據(jù)不完全統(tǒng)計影像數(shù)據(jù)的年增長率高達30%之多[5]，總量已然達到“5V”數(shù)據(jù)，即大量（volume）、高速（velocity）、多樣（variety）、價值（value）、真實性（authenticity）。

醫(yī)學影像屬非結(jié)構(gòu)化數(shù)據(jù)（患者受保護類的信息屬結(jié)構(gòu)化數(shù)據(jù)），數(shù)據(jù)對象的空間關(guān)系信息及蘊含的特異性情況具有重要的統(tǒng)計學意義，對各種疾病信息的挖掘會產(chǎn)生潛在的利用價值。DL模型“訓練”和“驗證”得以穩(wěn)定運行的根本是大數(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

由于缺乏標準約束和整體規(guī)劃，不同的醫(yī)院或醫(yī)師使用的操作系統(tǒng)的無線多址協(xié)議不同，對于不同的醫(yī)用場景，成像模態(tài)、掃描參數(shù)、重建卷積、質(zhì)控各不相同，以及針對特定需求的特殊設(shè)計等，諸多因素導致數(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)、語義等差異；數(shù)據(jù)環(huán)境異構(gòu)，表現(xiàn)為硬件平臺、操作系統(tǒng)、數(shù)據(jù)庫管理系統(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。當影像數(shù)據(jù)與疾病類型相結(jié)合時，DL 在醫(yī)學影像各類任務（重建、分類、檢測、分割和配準等）中，以及與一些應用程序相關(guān)聯(lián)的任務中，面臨著大量的高度復雜性[9]。由此如何將大量不同數(shù)據(jù)提取、篩選并標注以便捷地用于DL，是醫(yī)學影像數(shù)據(jù)處理的根本問題。

2.2 樣本數(shù)據(jù)分布不平衡

不同類別的醫(yī)學影像的樣本數(shù)量差異很大，陰性和陽性樣本數(shù)往往表現(xiàn)為陽性明顯少于陰性。臨床病例數(shù)據(jù)規(guī)模表現(xiàn)出典型的長尾分布[9]，少數(shù)的常見疾病有足夠的數(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)絡在類別不平衡的數(shù)據(jù)中進行訓練，結(jié)果易偏向較大數(shù)量的類別[11]，因為DL 在關(guān)系抽取任務中，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題導致DL 在醫(yī)學影像領(lǐng)域的算法泛化能力下降。

綜上由于醫(yī)學影像數(shù)據(jù)各異不均，且數(shù)據(jù)的采集、整理及標注過程煩瑣且代價昂貴，使得大型標注數(shù)據(jù)集匱乏，嚴重影響DL算法的普適性，因為標注數(shù)據(jù)的多少決定了DL擬合函數(shù)的“智能”。目前DL技術(shù)在針對新型冠狀病毒肺炎的診斷應用中，主要挑戰(zhàn)是患者的影像數(shù)據(jù)不完整、雜亂、不明確及缺乏標準性[3]。

3 應對策略

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模型的準確性和魯棒性，具體如下。（1）采集：進一步規(guī)范相關(guān)醫(yī)療系統(tǒng)數(shù)據(jù)標準，以滿足DL模型對數(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)備的機型、質(zhì)控指標及疾病類型等參數(shù)變量，弱化影像多源數(shù)據(jù)的異質(zhì)性；進一步優(yōu)化影像的采集與重建過程，對數(shù)據(jù)進行高倍降采樣，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)來優(yōu)化求解圖像重建問題[12]，替代了常見的基于多次迭代優(yōu)化的圖像重建的逆問題求解算法，提高了采集效率，同時可降低噪聲、提高圖像質(zhì)量，基于數(shù)據(jù)驅(qū)動DL的 MRI重建，重點在于利用深度網(wǎng)絡學習欠采樣數(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）標注：立足數(shù)據(jù)和場景需求，直接面向?qū)W習目標，利用專業(yè)醫(yī)師的領(lǐng)域量化知識，如病變位置、范圍、良惡性評分等，盡量使用“金標準”進行學習標簽標注（如病理、基因型、生存期等），提高標注的準確性。（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)共享機制，建立標準的醫(yī)學影像大樣本數(shù)據(jù)庫。

3.2 學習方法融合

基于DL 對高維數(shù)據(jù)強大的特征提取能力，有機融合其他方法，具體如下。（1）深度主動學習：主動學習即通過標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)計精妙的查詢規(guī)則，從未標記的數(shù)據(jù)中選擇最佳樣本并查詢其標簽[13]，學習算法主動地提出一些標注請求，將經(jīng)過篩選的數(shù)據(jù)反饋給專家以備標注，這樣可減少訓練數(shù)據(jù)集及其標注成本，其核心過程是篩選，有機結(jié)合深度、主動學習，將深度主動學習應用于醫(yī)學影像領(lǐng)域的具體工作有很多。（2）深度遷移學習：適當解脫DL 的數(shù)據(jù)獨立且分布均勻的依據(jù)，將知識從源域遷移到目標域以解決數(shù)據(jù)不足的問題，基于網(wǎng)絡的深度遷移學習，首先在原領(lǐng)域預訓練網(wǎng)絡（如結(jié)構(gòu)、參數(shù)等），再用于目標任務中，使其成為新的神經(jīng)網(wǎng)絡的一部分[14]，即在多種類別的大規(guī)模基準數(shù)據(jù)集上預訓練網(wǎng)絡，幫助網(wǎng)絡學習在目標任務上重用的通用特征，之后在預訓練網(wǎng)絡感興趣的目標（對應的標簽數(shù)據(jù)集較少）上進行微調(diào)，遷移學習已成功應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，機器學習主要存在于產(chǎn)生統(tǒng)計依賴性的物理機制中[15]，現(xiàn)有的DL同樣依據(jù)樣本數(shù)據(jù)獨立且均勻分布的假設(shè)，沒有考慮變量的因果屬性。DL關(guān)注的重點是學習，缺乏良好的被理解的方式，故DL通常被認為是不易解釋的“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測的研究較少，當模型預測結(jié)果與醫(yī)師判斷不一致時，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)學影像中的現(xiàn)實性、可行性和實用性意義[7]，這種費解確實是一個鴻溝。因此，探索基于因果關(guān)系的學習算法將有助于發(fā)現(xiàn)更豐富、更自然的醫(yī)學問題[17]。未來的模型應注重系統(tǒng)變量的因果生成過程，于學習中介入推理，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——反事實的方法賦予機器一種“想象”，當患者的疾病與原有模板中的病例不同時，可能對此自動聯(lián)想加工，做出正確的診斷。相關(guān)文獻[17]使用由1 617個臨床場景組成的測試集，得到反事實算法性能較關(guān)聯(lián)算法有大幅提升，這有利于通常難以診斷的罕見病及重癥病例的檢測，同時避免了基于相關(guān)性的診斷產(chǎn)生的誤差對這些病例帶來的嚴重后果。可見因果推理是將機器學習應用到醫(yī)學診療中的重要元素，它可促進統(tǒng)計依賴結(jié)構(gòu)的表象學習方法向支持干預、計劃和推理的模型改進[15]。同時基于因果屬性的學習模型對數(shù)據(jù)集所蘊含的規(guī)律、知識的理解，也有助于解決目前DL的弱解釋性問題。

4 結(jié)語

醫(yī)學影像是以DL為核心的醫(yī)療人工智能最有潛力的落地領(lǐng)域[16]，DL的中心任務是提取蘊含在圖像中的信息，目前學習主要是基于數(shù)據(jù)驅(qū)動進行多層復合函數(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)合其他方法改進算法，如在DL中有機嵌入主動學習等方法，削弱DL對標注數(shù)據(jù)的貪婪程度，同時鑒于現(xiàn)階段DL在數(shù)學本質(zhì)上只有“記憶”能力，沒有“理解”能力，從而探索基于因果關(guān)系的學習方法，以增強影像輔助診療的準確性，有助于未來DL精準賦能醫(yī)療，以及促進智慧醫(yī)療距離真正落地更進一步。