李 新, 陳 帆, 郝海江,黃 琳, 劉亞榮

(桂林理工大學(xué) a.信息科學(xué)與工程學(xué)院; b.廣西嵌入式技術(shù)與智能系統(tǒng)重點(diǎn)實(shí)驗(yàn)室, 廣西 桂林 541006)

0 引 言

肺炎是臨床醫(yī)學(xué)中最常見的感染性疾病之一[1], 其發(fā)病周期短、 成因復(fù)雜, 免疫力相對低下的兒童和老年人更是易感人群。 據(jù)世界衛(wèi)生組織報(bào)告, 僅2016年, 全球就有80多萬人死于肺炎, 死亡人數(shù)超過瘧疾、 艾滋病和麻疹的總和[2-3]。 因此, 及時(shí)的診斷肺炎并且進(jìn)行治療是非常重要的。目前診斷肺部疾病的主要方法有X射線[4]、 計(jì)算機(jī)斷層掃描(CT)[5]、 磁共振成像(magnetic resonance imaging, MRI)等[6]。 由于X射線和CT價(jià)格相對便宜, 成像質(zhì)量適中等優(yōu)點(diǎn), 是大多數(shù)病人選擇的檢查方式。在肺部胸片上檢測[7]是否患有肺炎，要求醫(yī)生有過硬的專業(yè)知識(shí)和豐富的臨床經(jīng)驗(yàn), 是一項(xiàng)極具挑戰(zhàn)性的工作。 此外，對于醫(yī)生來說, 每天花費(fèi)大量時(shí)間來觀察大量肺部影像, 難免存在視覺疲勞, 出現(xiàn)誤診、 漏診等情況，計(jì)算機(jī)輔助診斷系統(tǒng) (computer-aided designs, CAD)應(yīng)運(yùn)而生[8]。

深度學(xué)習(xí)作為人工智能領(lǐng)域的一個(gè)重要分支[9], 其出現(xiàn)開辟了現(xiàn)代計(jì)算機(jī)領(lǐng)域的一個(gè)新興研究方向。它是由Hinton等在2006年所提出, 其本質(zhì)是有監(jiān)督的學(xué)習(xí)[10], 使用原始或者經(jīng)過預(yù)處理帶有明確標(biāo)簽的數(shù)據(jù)作為卷積神經(jīng)網(wǎng)絡(luò)算法的輸入； 然后算法對數(shù)據(jù)進(jìn)行分層抽象處理, 將原始的輸入數(shù)據(jù)一層一層地抽象成其自身任務(wù)所需要的目標(biāo)特征[11]； 最后將學(xué)習(xí)到的特性映射到任務(wù)目標(biāo)作為結(jié)束。 深度學(xué)習(xí)與傳統(tǒng)的淺層學(xué)習(xí)的主要區(qū)別在于淺層學(xué)習(xí)(圖1)基本上只有輸入輸出和一層隱藏層; 而深度學(xué)習(xí)(圖2)主要是強(qiáng)調(diào)模型結(jié)構(gòu)的深度[12], 一般具有多層隱藏層(包含多層的卷積層和池化層), 深層網(wǎng)絡(luò)意味著擁有更好的非線性表達(dá)能力, 可以學(xué)習(xí)到更加復(fù)雜的非線性變換, 從而擬合更加復(fù)雜的輸入特征。因此,深度學(xué)習(xí)方法成為目前計(jì)算機(jī)輔助診斷領(lǐng)域所使用最為廣泛的方法，本文就深度學(xué)習(xí)在肺炎檢測中的研究現(xiàn)狀展開詳細(xì)討論,充分描述了目前肺炎檢測所取得的成果以及所面臨的問題，并給出了進(jìn)一步的研究建議。

圖1 傳統(tǒng)淺層神經(jīng)網(wǎng)絡(luò)結(jié)點(diǎn)

圖2 深度神經(jīng)網(wǎng)絡(luò)一般模型結(jié)構(gòu)

1 深度學(xué)習(xí)模型

在2012年ImageNet競賽[13]上, 由Krizhevsky等[14]設(shè)計(jì)的AlexNet卷積神經(jīng)網(wǎng)絡(luò)模型(CNN)取得冠軍, 使得CNN成為圖像識(shí)別檢測等領(lǐng)域的核心算法模型。 隨后，大量優(yōu)秀模型相繼問世, 例如VGGNet[15]、 GoogleNet[16]、 ResNet[17]、 ResNext[18]等。其詳細(xì)參數(shù)以及Top5錯(cuò)誤率如表1所示。

2 數(shù)據(jù)集

肺炎圖像數(shù)據(jù)集的獲取途徑特殊, 一般情況下只能在醫(yī)院獲得。文獻(xiàn)中所用到的數(shù)據(jù)集多是通過和一些大型醫(yī)院進(jìn)行合作所得, 并未公開, 因此數(shù)據(jù)集獲取存在一定難度; 另外, 由于醫(yī)學(xué)影像的專業(yè)性, 其標(biāo)注成本相對較高, 通常都是由1～2位經(jīng)驗(yàn)豐富的專業(yè)醫(yī)學(xué)影像醫(yī)生進(jìn)行標(biāo)注, 再由1～2位醫(yī)生檢查標(biāo)注結(jié)果, 這也是導(dǎo)致公開肺部醫(yī)學(xué)圖像數(shù)據(jù)集較少的原因之一。目前有3個(gè)比較大型的公開肺部影像數(shù)據(jù)集可以供學(xué)者進(jìn)行研究。

(1)NIH Chest X-ray。此公開數(shù)據(jù)集是由美國國立衛(wèi)生研究院(national institutes of health, NIH)[19]所提供, 有112 120張X射線肺部影像, 包括肺炎在內(nèi)的14種胸部疾病, 研究人員在原始數(shù)據(jù)集上采用自然語言處理(NLP)的方式對圖片進(jìn)行標(biāo)注, 正確率超過90%, 由于其自身標(biāo)簽就存在一定的誤差性, 因此采用此數(shù)據(jù)集進(jìn)行研究所得到的結(jié)果一般都沒有其他兩個(gè)數(shù)據(jù)集所得到的結(jié)果理想。

(2)Chest X-ray Images。此數(shù)據(jù)集是加州大學(xué)圣迭戈分校Kermany等[20]在2018年間收集的廣州婦女兒童醫(yī)學(xué)中心1～5歲兒童肺部的5 863張胸片, 分為正常和肺炎兩個(gè)類別。 在此數(shù)據(jù)集上利用遷移學(xué)習(xí)的方法得到高達(dá)92.80%的準(zhǔn)確率[21], 部分肺部影像如圖3所示。

(3)肺炎識(shí)別比賽公開數(shù)據(jù)集。 此數(shù)據(jù)集是2018年9月由北美放射協(xié)會(huì)(RSNA?)聯(lián)合Kaggle公司發(fā)起的醫(yī)學(xué)圖像肺炎識(shí)別比賽中提供的數(shù)據(jù)集[22]。 每組胸片還提供了患者的肺部病灶邊界框值、 目標(biāo)值等; 此外數(shù)據(jù)集分為肺炎和非肺炎(包括正常和非肺炎異常組)。

表1 卷積神經(jīng)網(wǎng)絡(luò)不同模型的參數(shù)信息

圖3 胸部 X-ray部分影像[20]

3 國內(nèi)外研究現(xiàn)狀分析

3.1 傳統(tǒng)檢測方法

早期, 在肺炎檢測領(lǐng)域大多數(shù)采用傳統(tǒng)圖像處理[23]和機(jī)器學(xué)習(xí)[24]的方法對肺炎進(jìn)行檢測, 如范炤等[25]提出了一種基于BP人工神經(jīng)網(wǎng)絡(luò)的肺炎預(yù)測模型，將肺炎的多個(gè)致病因素作為網(wǎng)絡(luò)模型的輸入，使用反向傳播算法對參數(shù)進(jìn)行更新后達(dá)到肺炎預(yù)測目的，相對于如今的卷積神經(jīng)網(wǎng)絡(luò)，出現(xiàn)了網(wǎng)絡(luò)泛化能力不強(qiáng)、預(yù)測準(zhǔn)確率不高等問題。袁茂州[26]使用LBP算法以及灰度共生矩陣來提取圖像只含肺部區(qū)域的特征, 結(jié)合支持向量機(jī)(SVM)分類器對肺部圖像進(jìn)行識(shí)別, 然而新算法需要人工設(shè)置閾值, 提取到的肺部特征較為單一。王忠闖等[27]同樣是采用SVM的方法，針對感染肺炎后無法準(zhǔn)確監(jiān)測病人的實(shí)時(shí)情況提出了一種基于支持向量機(jī)的呼吸器肺炎檢測方案，經(jīng)過交叉驗(yàn)證和受試者工程特征曲線對搭建后的模型進(jìn)行評估，其結(jié)果為?？漆t(yī)師提供了一定的參考作用。 王家銘等[28]采用KNN分類器, 最終也是只達(dá)到了75%的精確率。 岳路等[29]利用經(jīng)典的決策樹算法, 對200例的小兒肺炎進(jìn)行分類, 準(zhǔn)確率達(dá)到了80%。 朱碧云等[30]利用小波變換的熵紋理特征進(jìn)行塵肺病分類診斷的研究, 準(zhǔn)確率達(dá)到了84.6%。 2017年傅星瑜等[31]在采用小波變換和BP神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上提出了一種特征提取和分類不穩(wěn)定的肺音信號(hào)識(shí)別方法[32]來診斷肺炎, 在識(shí)別肺炎的過程中表現(xiàn)良好。

這類傳統(tǒng)方法一般需要人工提取特征, 并且對于肺部X射線影像而言, 需要研究人員有一定的醫(yī)學(xué)知識(shí)或者交叉學(xué)科基礎(chǔ), 因此人工提取特征存在一定的誤差性, 所得出的檢測結(jié)果也不十分理想, 目前已逐漸淡出肺炎檢測研究領(lǐng)域。

3.2 深度學(xué)習(xí)檢測方法

深度學(xué)習(xí)方法作為目前計(jì)算機(jī)視覺分類、 目標(biāo)檢測領(lǐng)域的主流研究方法, 表現(xiàn)出強(qiáng)大的競爭力。針對傳統(tǒng)方法檢測過程中耗時(shí)耗力、 檢測準(zhǔn)確率不高等問題， 為進(jìn)一步提升識(shí)別效率和結(jié)果, 研究人員將深度學(xué)習(xí)方法引入肺炎檢測領(lǐng)域。深度學(xué)習(xí)成為提升醫(yī)學(xué)圖像分類識(shí)別效率的突破口, 其端到端的應(yīng)用方式、 高精度的分類結(jié)果是目前肺炎識(shí)別領(lǐng)域的研究熱點(diǎn)。

3.2.1 分類識(shí)別 分類是指將圖片結(jié)構(gòu)化為某一類別信息, 將標(biāo)注好類別或者屬性ID的圖片經(jīng)過分類算法得出類別結(jié)果。 基于深度學(xué)習(xí)的分類方法在訓(xùn)練階段通過大量的訓(xùn)練數(shù)據(jù)優(yōu)化網(wǎng)絡(luò)的參數(shù), 在測試階段, 網(wǎng)絡(luò)可以通過多層卷積快速得到待求的類別, 而無需再進(jìn)行繁瑣的數(shù)值優(yōu)化; 不足之處在于不能對圖片中特定信息(如肺炎檢測中病灶區(qū)域的定位)進(jìn)行更為詳細(xì)的解釋。

潘麗艷等[33]提出一種基于改進(jìn)AlexNet方法并結(jié)合遷移學(xué)習(xí)對肺炎胸片進(jìn)行了細(xì)菌型和病毒性肺炎進(jìn)行了判別:先利用AlexNet的全卷積神經(jīng)網(wǎng)絡(luò)對肺部胸片進(jìn)行左右肺區(qū)的分割, 排除其他非肺部組織對檢測結(jié)果的干擾, 該網(wǎng)絡(luò)使用了3個(gè)卷積層替換了原來AlexNet網(wǎng)絡(luò)中的最后面3個(gè)全連接層, 使輸入的圖片大小和輸出的圖片大小保持一致; 算法采用Dice系數(shù)來進(jìn)行分割效果評價(jià), 最終平均Dice系數(shù)為0.90, 將分割后的圖片采用改進(jìn)AlexNet+SVM的分類方法, 最后得到準(zhǔn)確率為80.48%, 特異度為82.07%, 靈敏度為77.55%。劉長征等[34]提出一種改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò):該網(wǎng)絡(luò)由3個(gè)卷積層、 3個(gè)層和1個(gè)全連接層組成, 并且對卷積層進(jìn)行了特殊處理, 加入了兩個(gè)標(biāo)志符號(hào), 有效抑制不活躍的肺部圖像信息, 同時(shí)也防止了過擬合的出現(xiàn); 前期預(yù)處理時(shí)采用趙恒等提出的閾值分割算法[35]，將分割后的肺部圖像送入到卷積神經(jīng)網(wǎng)絡(luò)中, 使用來自哈爾濱醫(yī)科大學(xué)附屬第二醫(yī)院的2 000張肺部CT(該數(shù)據(jù)集并沒有公開)，最終達(dá)到86.75%的識(shí)別率。

雖然以上文獻(xiàn)采用的都是深度學(xué)習(xí)技術(shù), 但由于采用的是經(jīng)典算法, 所用網(wǎng)絡(luò)結(jié)構(gòu)相對單一, 泛化能力不強(qiáng), 以及使用了早期效果一般的激活函數(shù)， 在反向傳播的過程中或多或少出現(xiàn)了梯度爆炸或者梯度消失的情況, 導(dǎo)致在迭代的過程中出現(xiàn)了識(shí)別率飽和的現(xiàn)象。

為解決肺炎數(shù)據(jù)集中數(shù)據(jù)量不夠的問題, 遷移學(xué)習(xí)目前已經(jīng)成為了深度學(xué)習(xí)中醫(yī)學(xué)圖像輔助檢測的主流方法, 不僅解決了醫(yī)學(xué)圖像數(shù)據(jù)規(guī)模不夠的問題, 同時(shí)也解決了難以從開始就訓(xùn)練大型網(wǎng)絡(luò)的問題，它采用已在大型數(shù)據(jù)集上(如ImageNet或者特征相近其他大型數(shù)據(jù)集)訓(xùn)練好的權(quán)重, 將權(quán)重文件遷移到新的網(wǎng)絡(luò)中后再對網(wǎng)絡(luò)進(jìn)行優(yōu)化改進(jìn)。如鄧棋等[36]采用了一種基于知識(shí)蒸餾[37]并結(jié)合優(yōu)化后的卷積神經(jīng)網(wǎng)絡(luò)的方法, 根據(jù)肺部CT圖像的特點(diǎn), 選用AlexNet和Inception V3深度學(xué)習(xí)模型網(wǎng)絡(luò), 利用遷移學(xué)習(xí)的方法有效避免了由于數(shù)據(jù)量過小而易引起的過擬合等問題, 具體實(shí)現(xiàn)過程如圖4所示。

圖4 知識(shí)蒸餾網(wǎng)絡(luò)模型

先將Teacher Module的訓(xùn)練結(jié)果用指定的參數(shù)T“軟化”, 再利用激活函數(shù)softmax得到經(jīng)過T軟化后的概率, 具體計(jì)算式為

其中:i表示某一類別；qi為教師模型所得出的某一類結(jié)果的可能性;zi為教師模型中第i類的輸出值，zj為教師模型中總輸出值，j為分類類別數(shù)，本文為作二分類問題，j取值為1,2；T為軟化參數(shù)。模型的最終準(zhǔn)確率達(dá)到了92.48%， 損失為0.023。

Liang等[38]同樣采用了遷移學(xué)習(xí)的思路, 基于ResNet殘差網(wǎng)絡(luò), 通過引入殘差的思想, 來解決隨著網(wǎng)絡(luò)深度不斷增加, 效果越差的問題。該網(wǎng)絡(luò)由49個(gè)卷積層和2個(gè)全連接層組成, 通過空洞卷積[39]的方式, 使得原始網(wǎng)絡(luò)分辨率不變, 圖像空間分辨率損失最小化, 空洞卷積的原理如圖5所示, 可看出, 空洞卷積支持在不增加核參數(shù)的情況下增加卷積核的感受域, 有效避免了過度丟失特征圖的分辨率, 達(dá)到了90.50%的準(zhǔn)確率。

何新宇等[40]采用在ImageNet數(shù)據(jù)集上預(yù)訓(xùn)練好的GoogleNet Inception V3模型進(jìn)行特征提取, 在該深度學(xué)習(xí)模型中加入由2層全連接層(神經(jīng)元個(gè)數(shù)分別為1 024和512)和1個(gè)Dropout層所組成的特征融合層, 并結(jié)合隨機(jī)森林分類器, 在公開數(shù)據(jù)集Chest X-Ray Images肺炎數(shù)據(jù)集上進(jìn)行了一系列的測試, 準(zhǔn)確率達(dá)到了96.77%, 敏感度達(dá)到97.56%, 特異度達(dá)到94.26%, 此成果為目前肺炎檢測中所取得的最好研究成果。

圖5 膨脹系數(shù)為1(a)、 2(b)、 3(c)的3×3空洞卷積結(jié)構(gòu)圖

在有關(guān)肺炎檢測研究中, 使用的大多是層數(shù)較深的網(wǎng)絡(luò), 多層卷積以及多樣化的卷積核具有更好的特征擬合泛化能力。2017年Wang等[41]使用自建的Chest X-ray8, 即前文面所提到的公開數(shù)據(jù)集NIH Chest X-ray的子數(shù)據(jù)集, 來判定和定位肺不張、 心臟肥大、 肺炎等8種胸部疾病, 其中肺炎識(shí)別的精確率最高達(dá)到了63.33%。 Yao等[42]利用標(biāo)簽之間的統(tǒng)計(jì)依賴關(guān)系來進(jìn)行更加準(zhǔn)確的預(yù)測, 其結(jié)果優(yōu)于文獻(xiàn)[19]研究中14個(gè)分組中的13個(gè), 其中肺炎的精確率為71.3%，識(shí)別精確率較低的原因是因?yàn)閿?shù)據(jù)集本身存在部分錯(cuò)誤標(biāo)簽, 并且多種胸部疾病的影像特征相近、 分類類別較多, 因此最終識(shí)別效果不高。 Rajpurkar 等[43]設(shè)計(jì)了一種叫作CheXNet的121層卷積神經(jīng)網(wǎng)絡(luò), 在目前最大的胸部X射線數(shù)據(jù)集Chest X-ray14上訓(xùn)練、 測試, 所得結(jié)果與4位從事學(xué)術(shù)研究的放射學(xué)家的標(biāo)注結(jié)果進(jìn)行了對比, 結(jié)果表明在CheXNet上得到的指標(biāo)中F1-score超過了放射科醫(yī)生的平均水平。Varshni等[44]使用在ImageNet上預(yù)訓(xùn)練好的Xception[45]、 RestNet-50、 DensNet-121、 DensNet-169[46]等卷積神經(jīng)網(wǎng)絡(luò), 隨后結(jié)合隨機(jī)森林、 KNN、 樸素貝葉斯、 SVM分類器對其性能進(jìn)行了評估, 最后在Chest X-ray14數(shù)據(jù)集上進(jìn)行數(shù)據(jù)處理, 挑選出了1 431張帶有肺炎標(biāo)簽的圖片； 為了平衡數(shù)據(jù)集, 同樣在該數(shù)據(jù)集上挑選出了1 431張標(biāo)記為無發(fā)現(xiàn)的正常胸片, 然后將數(shù)據(jù)集分為訓(xùn)練集和測試集, 結(jié)果顯示:在RestNet-169結(jié)合帶rbf核的SVM分類器并對網(wǎng)絡(luò)進(jìn)行超參數(shù)調(diào)節(jié)后表現(xiàn)出了最好結(jié)果, 其評價(jià)指標(biāo)AUC(area under the curve)值達(dá)到了0.800 2, 結(jié)合多種網(wǎng)絡(luò)和多種分類器, 進(jìn)一步提升了分類效果。

3.2.2 目標(biāo)檢測定位識(shí)別 深度學(xué)習(xí)具有自動(dòng)從網(wǎng)絡(luò)中學(xué)習(xí)深層次、 鑒別特征的能力, 已在醫(yī)學(xué)圖像檢測定位領(lǐng)域廣泛應(yīng)用。 目標(biāo)檢測的深度學(xué)習(xí)方法優(yōu)點(diǎn)在于不僅進(jìn)行了類別識(shí)別, 同時(shí)也根據(jù)標(biāo)簽信息將感興趣的區(qū)域(病灶區(qū)域)檢測出來, 在肺炎檢測領(lǐng)域更好地幫助醫(yī)生快速定位病灶點(diǎn); 其缺點(diǎn)在于當(dāng)圖片存在多個(gè)感興趣區(qū)域時(shí)檢測難度大大增加, 檢測結(jié)果準(zhǔn)確性有待提高。

在目標(biāo)檢測方面:Mubarok等[47]使用了由北美放射協(xié)會(huì)RSNA?聯(lián)合Kaggle公司提供的肺炎挑戰(zhàn)賽中的公開數(shù)據(jù)集, 基于ResNet和Mask-RCNN[48]兩個(gè)深度學(xué)習(xí)模型, 在ResNet的基礎(chǔ)之上實(shí)現(xiàn)了在每次卷積和使用激活函數(shù)之后進(jìn)行批處理歸一化, 并且在訓(xùn)練的過程中采用余弦退火算法來優(yōu)化學(xué)習(xí)率； 對于損失函數(shù), 結(jié)合了IOU和二元交叉熵。在Mask-RCNN上采用了自底而上和自頂而下兩種提取特征的路徑, 采用準(zhǔn)確率、 敏感度、 特異度3個(gè)醫(yī)學(xué)圖像檢測常用的評價(jià)指標(biāo), Residual Network和Mask-RCNN的結(jié)果分別為85.60%、 51.52%、 94.83%和78.06%、 36.12%、 85.54%，并且利用Mask-RCNN進(jìn)行了病灶區(qū)域的定位, 具體定位結(jié)果如圖6所示。

圖6 由Mask-RCNN給出的定位信息[53]

文獻(xiàn)[49]使用與前文所述都不相同的深度神經(jīng)網(wǎng)絡(luò)——CoupleNet[50]的全卷積神經(jīng)網(wǎng)絡(luò)： 先通過基本網(wǎng)絡(luò)將圖片信息傳送到區(qū)域建議網(wǎng)絡(luò)來產(chǎn)生Proposal區(qū)域； 然后每一個(gè)Proposal被傳送給兩個(gè)分支, 第一個(gè)分支使用位置敏感RoI pooling[51]來獲取本地信息, 第二個(gè)分支用來提取全局的上下文信息； 最后合并這兩個(gè)分支的輸出, 生成基于本地信息和全局信息的預(yù)測， 預(yù)測結(jié)果如圖7所示(紅色為預(yù)測框信息, 綠色框?yàn)檎鎸?shí)信息)。

從某種程度上看, 在肺炎識(shí)別領(lǐng)域目標(biāo)檢測的方法要優(yōu)于分類方法。 分類的方法僅是給出是否患有肺炎, 而目標(biāo)檢測方法不僅區(qū)分出是否患有肺炎并且還給出了具體病灶區(qū)域的候選框, 真正達(dá)到了輔助醫(yī)生進(jìn)行疾病的診斷,減少了醫(yī)生的負(fù)擔(dān), 不足之處在于目前此方面的相關(guān)文獻(xiàn)不多, 同時(shí)相關(guān)文獻(xiàn)中肺炎病灶區(qū)域定位準(zhǔn)確率還有待提高。

3.3 算法總結(jié)

由于多數(shù)研究者是利用不同的方法在不同的數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn), 而且不同的實(shí)驗(yàn)環(huán)境和設(shè)備以及不同的數(shù)據(jù)集預(yù)處理方式和評價(jià)指標(biāo)都會(huì)對最后的結(jié)果產(chǎn)生影響。在Chest X-ray Images數(shù)據(jù)集上進(jìn)行研究的文獻(xiàn)較多, 對此數(shù)據(jù)集上的研究成果進(jìn)行了對比總結(jié), 其結(jié)果如表2所示。

圖7 文獻(xiàn)[49]中的定位結(jié)果

表2 在Chest X-ray Images數(shù)據(jù)集上已有研究成果對比

4 總結(jié)與展望

隨著深度學(xué)習(xí)浪潮的涌起, 很多文獻(xiàn)在研究利用深度學(xué)習(xí)方法來進(jìn)行肺炎的檢測診斷需求， 盡管取得了一定的進(jìn)展, 但是其效果仍不能完全滿足實(shí)際的肺炎診斷。 究其原因, 主要是醫(yī)學(xué)疾病診斷的嚴(yán)謹(jǐn)性, 在當(dāng)前技術(shù)不成熟的情況下仍然需要專業(yè)醫(yī)生再次把關(guān), 最終結(jié)果還是需要醫(yī)生根據(jù)以往的臨床診斷經(jīng)驗(yàn)和專業(yè)知識(shí)來做最后的判別。多數(shù)研究人員只是對肺部影像進(jìn)行了是否屬于肺炎的判別, 而肺炎具有多種類型, 例如大葉型肺炎、 支氣管肺炎、 間質(zhì)肺炎、 SARS等, 僅文獻(xiàn)[34]通過和醫(yī)院合作利用未公開的數(shù)據(jù)集對肺炎的類型進(jìn)行了判別， 因此在未來的技術(shù)挑戰(zhàn)和發(fā)展方向上對相關(guān)研究人員給出幾點(diǎn)建議:

(1)更多肺炎數(shù)據(jù)集的公開: 目前只有3個(gè)比較大型的肺炎公開數(shù)據(jù)集, 對于深度學(xué)習(xí)領(lǐng)域而言, 通常需要大量的肺部醫(yī)學(xué)影像經(jīng)過長時(shí)間的訓(xùn)練才能取得較好的效果, 因此需要更多的大型肺部影像數(shù)據(jù)集來為肺炎檢測作出貢獻(xiàn)。

(2)對相關(guān)肺炎數(shù)據(jù)集進(jìn)行具體信息標(biāo)注:對一般的肺部影像數(shù)據(jù)集而言, 如果沒有給出具體信息(如病灶區(qū)域的位置信息, 病灶區(qū)域的大小,x、y軸信息), 僅能識(shí)別出是否是患有肺炎, 無法具體定位病灶區(qū)域以及通過候選框框出, 因而不能良好地快速幫助醫(yī)生定位病灶大小, 給出建議性的治療方案。

(3)研究方向傾向于病灶定位以及快速定位:僅將肺部影像區(qū)分為肺炎和正常還遠(yuǎn)遠(yuǎn)不夠, 目前分類方面研究已取得較好效果, 未來的重點(diǎn)應(yīng)該是采用目標(biāo)檢測的方法進(jìn)行肺部炎癥病灶區(qū)域的快速定位和精準(zhǔn)定位, 使得計(jì)算機(jī)輔助診斷系統(tǒng)能夠快速精確診斷。

(4)提出更加高效的算法: 目前深度學(xué)習(xí)算法參數(shù)量以及計(jì)算量基本上是少則幾十萬, 多則上億， 需要非常優(yōu)秀的硬件設(shè)備(顯卡和CPU等), 這無形之中大大增加了科研成本；另一方面也要求研究人員在算法方面進(jìn)行創(chuàng)新。

深度學(xué)習(xí)方法作為一項(xiàng)新技術(shù), 其在影像醫(yī)學(xué)領(lǐng)域應(yīng)用研究還有很長的路要走, 針對醫(yī)學(xué)領(lǐng)域的實(shí)際情況, 需要投入更多的人力和物力去不斷改進(jìn)與創(chuàng)新; 并且由于深度學(xué)習(xí)技術(shù)在圖像信息處理方面的卓越表現(xiàn)能力, 其未來可能成為影像醫(yī)學(xué)臨床診療中的得力輔助工具。