深度学习在医学中的应用进展.pdfVIP

深度学习在医学中的应用进展

【摘要】近年来，随着大数据的可用性提升以及计算机算力的提高，深度学习

在图像识别、语音识别和自然语言处理等领域取得了一定成果，为医学的发展提

供了新方向，例如智能医疗问诊、个性化诊疗方案设计、医疗影像辅助判读等。

然而，深度学习在应用时也存在许多问题，例如可复用性不强和可解释性不足等。

本文主要阐述深度学习的发展史及其在医学领域的一些必威体育精装版进展，并对其在医学

应用中的一些问题进行分析和探讨。

【关键词】深度学习；神经网络；医学应用

深度学习是一种基于人工神经网络的机器学习技术，可通过模拟人脑处理信

息的方式来解析数据。深度学习模型通常由多层“神经元”组成，每一层都可提

取不同级别的特征，其可自动从大量数据中学习特征，无需人工提取，因此广泛

应用于图像识别、语音识别和自然语言处理等领域。深度学习模型通常需大量的

数据和计算资源进行训练，训练完成后，模型对新数据将表现出优异的处理能力。

一、深度学习发展概述

1958年，Rosenblatt提出了感知机模型［1］，其为可进行简单分类任务的

人工神经网络。此后，由于缺乏训练深层神经网络的方式，相关研究一直局限于

浅层的神经网络，直到1986年反向传播算法被提出，才可实现多层神经网络的

训练。2006年，Hinton等［2］又提出了一种有效训练深层神经网络的方法，称

为“深度置信网络”，这标志着深度学习研究的进一步发展。随着大数据可用性

提升以及图形处理单元计算能力的提高，深度学习的应用迎来了快速发展。201

2年，Krizhevsky等［3］使用卷积神经网络（convolutionalneuralnetwork，

CNN），通过卷积层提取图像空间特征，减少参数数量，使模型可高效处理高维

度数据。随着技术的进一步发展，Vaswani等［4］复杂模型开始出现，在机器

翻译和文本生成中具有更大的优势，并被引入视觉领域，其在工业检测、遥感、

医疗影像等方面均有较好的应用价值。Transformer模型采用了一种完全基于注

意力机制的架构，可并行处理整个序列，明显提高了效率。近几年，随着算力的

进一步提升，使用大量图形处理单元或张量处理器资源进行训练的大规模语言模

型（largelanguagemodel，LLM）开始发展。LLM通常由数以亿计甚至数以千

亿计的参数构成，并经过大规模文本数据的训练，具备生成高质量文本、回答问

题、翻译语言、总结内容等能力。相关LLM（例如Chatgpt、文心一言等）被广

泛应用于聊天机器人、内容创作、文档分析等多个领域，成为目前人工智能技术

中最具影响力的工具之一。

二、深度学习在医学中的应用

早期的研究主要利用简单的神经网络模型处理医疗影像的辅助诊断，以及进

行风险评估及预后分析等任务。近年来，随着模型能力的不断提升，深度学习已

越来越多地应用于医学实践中，例如血细胞形态学检查和急性髓系白血病诊疗等

［5-6］。以下将阐述深度学习在医学中的具体应用情况。

1.深度学习在肿瘤诊断和预后中的应用：为准确识别肿瘤类型和评估患者生

存期，需解决肿瘤异质性、检测方法侵入性和特征选择不稳定性等问题。深度学

习技术通过其强大的特征提取能力，可有效综合分析基因表达数据和临床数据。

Albaradei等［7］开发了DNNraw深度学习方法，可利用循环肿瘤细胞mRNA数

据，预测6种肿瘤类型，平均准确度可达0.96通过，将其与5种中心基因排序

算法和支持向量机等传统机器学习算法进行比较，证明了深度学习框架在识别潜

在肿瘤生物标志物方面具有优越性。通过对乳腺癌预后生物标志物研究数据进行

高通量分析，Chereda等［8］提出了基于图卷积神经网络和逐层相关性传播的

特征选择方法，通过在高维基因表达数据中包含分子网络信息，可生成稳定且具

有生物学可解释性的基因列表，为预测乳腺癌预后提供了重要参考。此外，深度

学习还可基于多模态的影像和临床数据等预测患者生存率，Gensheimer等［9］

证明，基于机器学习的深度学习模型在生存预测方面可比主治医生作出更准确判

断，并可结合高维基因表达、微小RNA表达数据和临床信息搭建出更具可解释性

的深度学习框架，用于乳腺癌和卵巢癌患者的预后预测。此外，Wei等［10］进

一步整合了组织病理学图像，提出了MultiDeepCox-SC深度模型来预测胃癌患

者总生存期，其生存期预测的准确性C指数从0.66提高到0.74，同时识别出生

存时间相关的重要遗传和临床风险因素。但目前研