基于状态空间方法优化的低剂量计算机断层扫描图像去噪视觉Transformer模型

《International Journal of Imaging Systems and Technology》：Low-Dose Computed Tomography Image Denoising Vision Transformer Model Optimization Using Space State Method

本综述系统探讨了采用状态空间优化块（SSOB）增强的视觉Transformer（ViT）模型在低剂量CT（LDCT）图像去噪中的应用。研究显示，该模型在结构相似性（SSIM）、峰值信噪比（PSNR）和均方根误差（RMSE）等多项指标上显著优于现有先进方法，同时大幅降低计算资源消耗与推理时间，为临床实时高质量医学影像重建提供了高效可靠的解决方案。

　　

引言

计算机断层扫描（CT）已成为现代医学影像诊断的基石，因其快速成像、高空间分辨率及生成横断面解剖图像的能力，被广泛应用于肿瘤学、创伤评估、心血管疾病检查和常规疾病筛查（如肺癌早期诊断）。然而，随着CT使用量的增加，患者安全特别是电离辐射暴露问题日益受到关注。常规剂量CT（NDCT）使患者承受较高辐射，对儿童等易感人群及需重复影像检查者构成累积健康风险。

为应对这一挑战，低剂量CT（LDCT）协议被开发出来，通过降低X射线曝光减少辐射剂量。LDCT在常规筛查场景中尤为重要，例如美国预防服务工作组（USPSTF）推荐的肺癌筛查项目。然而，剂量显著降低的代价是量子噪声和条纹伪影的增加，严重降低图像质量、掩盖细微病理细节，可能导致误诊。

早期去噪方法包括正弦图域滤波、基于模型的迭代重建（MBIR）等迭代算法和频域技术。这些方法常涉及专有数据、复杂参数调整或引入不自然纹理。因此，领域逐渐转向图像域后处理技术，特别是深度学习驱动的方法。

过去十年中，深度学习已成为医学图像增强和噪声抑制的强大范式。通过学习从噪声图像到干净图像的数据驱动映射，深度神经网络能有效模拟LDCT扫描特有的复杂噪声分布。深度学习方法不仅在保留解剖细节上优于传统滤波器，而且在适当训练后能很好地泛化到不同数据集和噪声水平。

尽管卷积神经网络（CNN）传统上主导LDCT去噪，非卷积方法如全变分（TV）和视觉Transformer（ViT）在图像去噪中也广为人知。TV通过惩罚图像梯度抑制噪声同时保留边缘，但更新的深度CNN模型常优于它，特别是在保留细微诊断细节方面。ViT近期发展因其建模长程空间依赖的能力而受到关注。结合CNN和注意力机制的混合架构被积极探索以同时捕获局部纹理和全局上下文。

Wang等人提出的TED-Net是一种基于Transformer的去噪模型，旨在解决使用CNN的局限性。然而挑战依然存在：CNN难以进行全局上下文建模，而ViT可能计算密集且在捕获局部噪声特征上效果较差。这些挑战是本研究动机所在，旨在提供一种高效的长程特征传播机制，弥合CNN与Transformer之间的差距。

材料与方法

本研究提出了一种基于ViT的去噪框架，其系统概述如图1所示，由四个主要组件构成：预处理管道（图2）、编码器和多头自注意力（MHSA）（图3和图4）以及解码器（图5）。预处理管道通过归一化、块标记化和位置编码准备原始LDCT图像。编码器利用Transformer层从标记化输入中提取高级上下文特征，捕获图像中的全局和局部依赖。解码器从优化的潜在特征重建去噪CT图像，确保保留解剖细节的同时最小化噪声伪影。

预处理管道中，输入LDCT切片特征图被划分为不重叠块（16×16），每个块被展平为向量并传入下一阶段。线性投影块对应于嵌入步骤，每个块向量被投影到固定维潜在空间，将图像块转化为块标记，作为Transformer的输入序列，类似于自然语言处理（NLP）中的词标记。投影后添加位置嵌入，编码每个块的空间位置，帮助Transformer理解图像的原始布局。此外，在位置嵌入后添加另一个线性层，代表Transformer输入归一化层，准备标记序列用于编码器块处理。

编码器接收预处理管道输出，表示为z???，代表带有位置信息的块嵌入序列。应用的第一操作是线性归一化，准备标记用于MHSA机制。在MHSA块内，每个标记被投影为三个独立表示：查询（Q）、键（K）和值（V）。这些向量用于计算注意力分数，使模型能权衡不同块之间的相对重要性，实现局部和全局上下文建模。代替常规点积操作，本研究实施了梯度边缘检测注意力模块，使用梯度和拉普拉斯操作检测图像中低对比度与高对比度区域间的快速变化。此外，还实施了状态空间优化块（SSOB），有助于优化系统性能并降低系统计算复杂度。

MHSA后，所有注意力头输出被拼接并通过另一个线性归一化层。然后应用跳跃连接，将原始输入z???添加到此归一化块输出，形成残差路径，有助于保留低级特征并稳定训练。结果随后通过前馈网络（FFN），该网络由两个线性层组成，中间有高斯误差线性单元（GELU）激活。在FFN块周围添加第二个跳跃连接，合并其输入和输出以形成最终编码表示z???。

状态空间优化块

近期研究展示了状态空间模型（SSM）在以降低计算开销捕获长程依赖方面的效率。为此，我们在MHSA架构的瓶颈中加入了状态空间优化块（SSOB）。SSOB通过线性状态演化模拟隐藏表示的空间动态，实现有效噪声抑制而不模糊解剖结构。

在传统SSM中，隐藏状态随时间（或空间）的演化由固定转移矩阵控制。为将此框架扩展到2D空间数据（如高分辨率CT图像），我们定义每个空间位置(i,j)的隐藏状态为h(i,j)，同一位置的输入特征为x(i,j)。为纳入特征自适应处理，我们使用线性变换将每个输入投影到查询（q(i,j)）、键（k(i,j)）和值（v(i,j)）嵌入。这些嵌入允许每个位置表示其寻求检索的信息（q(i,j)）、包含的内容（k(i,j)）以及实际内容（v(i,j)）用于下游处理。

为在不用卷积的情况下模拟水平和垂直方向的空间动态，我们引入了沿行和列的状态转移。这些转移由键表示k(i,j)调制，允许模型动态调整其每个空间位置的转移行为。输出在每个位置(i,j)计算，使用当前隐藏状态和查询嵌入。查询控制模型如何从隐藏状态读取，有效充当类似注意力的门控功能。

解码器

解码器（图5）使用编码特征图z???作为输入，随后是基于Transformer的重建路径以恢复去噪CT图像。第一步是将z???通过MHSA块，再次使用自注意力精炼潜在标记间的上下文关系。所有注意力头输出然后被拼接并通过线性归一化层。应用跳跃连接，将原始输入z???添加到此归一化块输出，确保连续性和全局语义信息保留。结果随后传入FFN块进一步转换标记特征。第二个跳跃连接合并FFN的输入和输出，为系统提供更多稳定性。

处理的标记序列最终送入图像重塑模块，将1D标记序列重塑回2D空间图像。代替传统上采样，我们应用一种受上下文引导块插值策略启发的方法，利用局部邻域像素块和非局部相似模式。插值机制通过估计每个块的干净像素值 functioning，不仅基于标记自身特征，还参考具有相似结构或强度模式的周围块，本质上从空间和特征域中最相关的邻居重建每个像素。此策略使模型能保留解剖细节同时抑制噪声，模仿Noise2Noise或Noise2Neighbours的行为，而不需要显式干净目标。

数据集、训练与硬件设置

本研究使用了五个数据集，包含配对的NDCT和LDCT图像，分辨率为512×512像素。其中两个数据集（Piglet和Thoracic）来自Yi和Babyn的工作，另外三个（Abdomen、Head和Chest）来自梅奥诊所通过癌症影像存档（TCIA）提供的收集。应用了[40,400]的HU窗进行图像归一化，其中[WL, WW]对应每个数据集的窗位（WL）和窗宽（WW）值。数据按数据集类型分为训练（60%）、验证（30%）和测试（10%）子集。所有图像数据作为2D切片处理，模型使用Adam优化器训练150轮，初始学习率0.0001，衰减率0.5，衰减步长因子0.9。批量大小在4到8之间。此外，使用了混合损失函数，结合均方误差（MSE）、结构 dissimilarity（DSSIM）和感知损失。

模型开发和实验使用PyTorch和TensorFlow-Keras API在Windows系统上进行，系统配备AMD Ryzen 9 3900X 12核@3.8GHz和NVIDIA GeForce RTX 5070。

实验设置

本研究评估和比较了一组多样的LDCT去噪模型，以分析所提出优化策略和架构变体的有效性。基线原始模型代表了标准纯Transformer去噪网络，没有任何增强。还包括非优化变体模型以隔离所提出优化技术的影响。提出的模型将状态空间优化块集成到纯ViT框架中，旨在提高空间意识和收敛稳定性。我们还包括了最先进的基于CNN的LDCT去噪模型BM3D和RED-CNN。为确保彻底基准测试，我们考虑了结合传统滤波和Transformer机制的混合模型：著名的TED-Net和近期的U-former。

对于定量评估，我们采用了三个指标：结构相似性指数（SSIM）、峰值信噪比（PSNR）和均方根误差（RMSE）。SSIM作为感知度量量化图像质量，特别强调结构保存、亮度和对比度，对医学图像保真度至关重要。补充SSIM，PSNR作为像素保真度的对数指标，对测量整体噪声降低有效性有价值。较高的PSNR值表示更好的去噪性能。最后，RMSE测量去噪图像和参考图像之间的平均像素差异，较低值表示更高的数值准确性。 together，这些指标提供了对去噪图像视觉和定量质量的全面评估。

结果与讨论

计算负载

在真实临床环境中部署LDCT去噪模型的实用性很大程度上取决于计算效率、硬件兼容性和资源使用等因素。表1展示了基于六个关键标准对七种不同模型架构的基准测试：参数数量、每图像推理时间、吞吐量（每秒处理图像数）、磁盘上模型大小、GPU内存使用和总训练持续时间。优化结果总结在表1中，而损失训练趋势如图6所示。

在所有测试模型中，带优化的提出模型（模型3）作为最有效和平衡的架构脱颖而出。它仅使用190万个参数，是现代深度学习模型中最精简的，同时实现每图像0.42秒的最快推理时间。这使得吞吐量达到2.38图像/秒，是此比较中观察到的最高值。此外，它仅消耗750MB的GPU内存，其紧凑模型文件大小7.6MB使其高度可部署，即使在存储受限环境（如嵌入式医疗设备或边缘服务器）中也是如此。值得注意的是，该模型还表现出仅6小时30分钟的短训练持续时间，强调其优化机制的效率，并表明训练期间稳定快速收敛。

相比之下，原始模型（模型1）虽然在架构简单性上相似，但在所有计算方面稍逊一筹。它有210万个参数，稍多，推理时间0.85秒/图像，吞吐量1.18图像/秒。GPU内存需求为900MB，模型大小8.4MB。虽然这些数字可能显得适中，但8小时的训练时间表明收敛效率较低，可能由于未优化层或缺乏先进学习率调度和正则化技术。视觉上，虽然去噪输出可能看起来可接受，但该模型不太适合快速应用，特别是在吞吐量关键的情况下。

未优化版本（模型2）进一步揭示了架构和算法低效的后果。拥有350万个参数，它明显更庞大，这反映在其较慢的推理时间1.10秒和较低的吞吐量0.91图像/秒上。GPU内存使用升高至1300MB，模型需要11小时训练，突出其计算负担。此类模型通常不适合可扩展部署，特别是在处理数百CT扫描/天的繁忙医院网络中。它们延长的训练时间也表明学习动态不稳定或训练数据利用低效，可能转化为不一致的图像质量。

近期模型（模型7），可能代表改进的基于Transformer的混合架构，展示了现代特征和效率之间的平衡权衡。拥有250万个参数，它设法实现每图像0.70秒推理和1.43图像/秒吞吐量。其1000MB的GPU内存使用是可管理的，并且具有合理的模型大小10.2MB。训练在7小时15分钟内完成，表明 competent 收敛。该模型，虽然不如提出方法高效，仍然有资格进行临床部署，可能特别适用于高分辨率成像任务或去噪精度优先于速度的环境。

在性能谱的另一端是传统架构，如旧模型（模型4）和传统模型（模型5）。模型4采用480万个参数，表现出缓慢的推理时间1.45秒，将吞吐量降低至仅0.69图像/秒。它还消耗1500MB的GPU内存，并需要14小时训练。这些属性使其不适合实时使用，并反映了深度特征提取的限制或没有适当优化的过度网络深度。模型5效率更低，拥有530万个参数，是所有模型中最高的。其推理时间为1.60秒/图像，吞吐量仅0.62图像/秒，GPU内存使用峰值1600MB，训练时间延长至禁止性的16小时。这些特征指向结合传统滤波器与深层或展开迭代架构的较旧混合技术。虽然此类模型可能仍用于离线批处理，但由于其对时间和资源的过高需求，它们在现代临床或基于边缘的应用中不再可行。

模型6，结合传统方法与深度学习骨干，处于中间位置。它使用460万个参数，需要1.35秒/图像进行推理，并处理0.74图像/秒。GPU内存使用为1400MB，并且需要近13小时训练。虽然它比旧模型和传统模型表现稍好，但它仍然不足够实用以进行可扩展部署，特别是在高吞吐量CT成像中心。

综上所述，此分析说明提出的优化模型实现了计算性能和架构效率之间的最佳平衡。它在每个可测量类别中优于现代和传统模型：更快、更精简、更GPU高效且训练更快。这些优势直接转化为在时间敏感或资源受限设置中更好的部署潜力，如急诊放射学、农村诊所中的便携式CT扫描或移动医疗单元。相比之下，旧模型和传统模型的性能强调了未设计有现代优化原则的深度学习系统的局限性。虽然其中一些传统模型可能仍产生可接受的去噪结果，但其低效和高计算成本显著限制了它们的临床相关性。

准确性：泛化能力

在本研究中，SSIM、PSNR和RMSE针对两个感兴趣区域（ROI）进行测量，并跨整个CT图像切片平均，使用组合数据集（组合解剖视图）和分类数据集（按器官/扫描类型分离）。

在计算组合和分类案例的平均SSIM、PSNR和RMSE后，我们计算了百分比差异，显示当使用各种数据集而不是分类数据时模型的好坏。此%绝对差异计算如下。

SSIM和PSNR的定量结果分别总结在表2和表3中。提供了视觉图（图7）以显示收集结果的不确定性。此外，视觉结果也包括在图8和图9中，显示提出模型与其变体的比较以及提出模型与基准模型的比较。图10显示了从提出模型和基准模型生成的去噪图像与真实NDCT图像之间的图像差异。

对于消融实验和基准测试，提出的优化模型（模型3）表现出最高的整体SSIM值，在随机数据集上记录ROI 1为0.883±0.011，ROI 2为0.870±0.012，平均SSIM为0.876±0.005（表2）。有趣的是，其分类数据集性能稍低，为0.873±0.006，导致小0.03%差异，这表明在明确定义的解剖上下文中，在一般和分类设置中都具有更好的一致性。视觉上，图8f和图9d显示该模型产生非常平滑的纹理、清晰的结构边缘和最少的残留伪影，特别是在软组织和骨结构中。提出的优化模型（模型3）再次在表3中领先性能，PSNR值ROI 1为36.95±0.76 dB，ROI 2为36.10±0.74 dB，随机数据平均PSNR为36.51±0.37 dB。引人注目的是，其分类平均PSNR甚至更高，为36.30±0.36 dB，产生2.56%差异。这不仅表明高性能，而且在训练/测试类似类型扫描时图像质量有增益， suggesting 优秀的特征学习和最小的过拟合。视觉上，图8f和图9d包括高清晰度、几乎无噪声的纹理和非常锐利的器官边界。这对于诊断任务（如肿瘤边缘评估或血管跟踪）是理想的。此外，表4展示了七个模型的定量RMSE结果，包括提出的变体和基准方法。在三个内部模型变体中，模型3实现最低误差，组合平均RMSE为0.0455±0.002，分类平均为0.0463±0.002。该模型显著优于模型1（原始ViT）和模型2（无SSOB的PViT），表明SSOB在增强空间结构保存方面 introduced 的实质性好处。从模型2到模型3的误差减少突出了结合注意力与SSOB的协同效应，将RMSE降低约35%，确认此架构添加的有效性。模型3登记最低RMSE %差异1.76%，与所有其他方法超过3.8%的值形成对比。值得注意的是，模型2（无SSOB）产生最高差异5.71%，强调仅注意力机制不足以在此任务中实现最佳性能。

相比之下，传统模型如模型5（REDCNN）和模型4（BM3D）具有低得多的SSIM分数。例如，模型5在ROI 1仅报告0.795±0.021，ROI 2为0.762±0.023，在随机组合数据条件下平均0.779±0.013，分类中为0.751±0.012，导致大3.73%差异。这些值表明显著的结构退化，特别是在低对比度区域周围，如腹部器官，其中传统滤波器或手工方法往往在泛化上失败。预期的视觉伪影将包括模糊、精细细节丢失和偶尔的边缘错位。模型5（传统）记录最低PSNR之一，ROI分数为31.90±1.15和31.10±1.14 dB，平均31.50±0.58 dB（随机），进一步降至31.00±0.57 dB（分类）—1.61%下降，所有模型中最差。分类数据的高损失暗示对特定解剖特征的适应差，可能由于其基于规则的噪声估计机制。视觉上，图9b出现颗粒状 with 强度波动，可能掩盖精细组织特征。其与NDCT图像的差异在图10a中 also 最明显 among 所有其他基准模型，表明噪声伪影仍然存在。经典方法如BM3D（模型4）显示较高的RMSE值（0.073±0.004，组合），反映了它们在处理高分辨率成像中复杂退化方面的局限性。类似地，基于CNN的方法如REDCNN（模型5）和Transformer变体如TEDNET（模型6）产生中等性能，RMSE高于0.072。U-former（模型7），另一种基于Transformer的方法，实现竞争性结果（0.051±0.003组合），但仍然落后于提出模型约12%，支持SSOB的架构创新即使在Transformer设计中也能赋予优势的论点。

模型4（BM3D）和模型6（TEDNET）实现组合平均PSNR分别为32.00±1.01和32.45±0.53 dB，但两者在分类设置中受苦。这表明缺乏特征重用或迁移学习，使它们在遇到一致图像上下文时脆弱。这些模型的图像显示光晕效应、低动态范围和伪影保留，如图9b,d和图10b,d所示。模型7，U-former，一种近期深度学习模型，性能非常接近提出模型，实现ROI的SSIM为0.865±0.012和0.846±0.014，平均0.855±0.007（组合）和0.869±0.006（分类），具有1.61%差异。这反映了强大的空间一致性和鲁棒性，并表明该模型可能受益于注意力模块或多尺度特征等架构进步。模型7还表现出鲁棒性能，PSNR为35.38±0.41 dB（随机）和35.10±0.39 dB（分类），反映在更结构化数据中2.35%改进。虽然稍低于提出模型，这些结果表明它保持有利的噪声抑制和亮度一致性。视觉上，其结果显示更好的组织梯度保存和减少的噪声，特别是在扫描具有高可变性的器官时，如图9e和图10e所示。

关注消融实验，模型2（无优化）和模型1（原始）发布中等性能，随机平均SSIM分别为0.810±0.010和0.826±0.008，分类SSIM为0.790±0.011和0.808±0.007。它们的正SSIM差异（2.53%和2.23%）表明当解剖数据一致分组时它们可能不能很好泛化，可能由于缺乏自适应特征学习。 Also，模型1（原始）显示中等PSNR，34.66±0.45 dB（组合）和34.05±0.42 dB（分类），给出3.23%下降，而模型2（无优化）平均33.10±0.48和32.40±0.47 dB，下降2.93%。虽然不 terrible，这些表明基本架构缺乏噪声特定滤波和区域感知学习，视觉上将转化为过度平滑重建，导致软组织界面等细微纹理中可见性降低。视觉出现去噪但可能边缘平滑，导致诊断精度轻微损失，特别是在血管边界等边缘关键区域。这在图8b,c中显示。

从SSIM和PSNR分析，模型3（提出，优化） consistently 优于其他，特别显示增强了对随机和分类数据分布的适应性，这在真实临床环境中至关重要，其中扫描仪类型、患者解剖结构和协议 vary。其小负%差异值（SSIM为0.03%，PSNR为0.58%，RMSE为1.76%）不仅突出鲁棒性能，而且对更结构化数据的积极可扩展性。相比之下，传统和未优化模型 struggled 与性能下降，表明先进架构设计、注意力模块和损失感知优化在现代LDCT去噪管道中不可或缺。视觉上，高性能模型产生平滑但边缘锐利的输出，有效抑制噪声同时保留诊断相关特征，特别是在具有挑战性的解剖区域。

线强度剖面分析

图12显示了沿图11中所选线的强度剖面图，包括参考CT图像、不同高斯噪声方差（σ2=0.01,0.05,0.10）和泊松噪声下的噪声图像，以及测试模型的去噪输出。噪声CT图像表现出大波动和升高基线值 compared to 参考剖面，与噪声引入的向上偏差一致。去噪后，大多数模型能够使剖面更接近参考曲线，平滑失真并恢复解剖边缘细节。其中，模型3（提出模型）显示与干净参考剖面最接近的对齐，无论是在基线强度还是局部结构变化方面。

除了强度剖面图，表5呈现的平均强度值进一步提供了模型去噪性能的更多洞察。干净参考图像的初始平均为0.1839，而噪声对应物显示相当大的偏移，平均值为0.44–0.45左右，反映了添加噪声引入的偏差。去噪后，所有模型有效地将平均强度恢复到接近原始参考，值 consistently 在0.1830–0.1834范围内跨所有噪声水平。值得注意的是，模型3（我们的提出模型）展示了最稳定的性能，在所有噪声条件下保持几乎相同的平均强度0.1834。这突出了提出方法不仅抑制噪声而且可靠地保留CT图像全局强度分布的能力，最小化偏差并支持准确的定量分析和临床解释。

结论

SSOB在基于ViT的LDCT去噪架构中的实施 demonstrates 跨图像质量度量和计算性能的显著改进，如三个表中的定量分析所支持。

从图像质量 perspective，提出的带SSOB的优化模型 consistently 在SSIM、PSNR和RMSE方面优于所有其他模型，无论是在随机还是分类数据集评估中。具体地，它实现了整个图像切片最高的平均SSIM，优于原始ViT和未优化变体。SSIM在分类数据集上的百分比改进与原始模型相比为3.24%，与未优化模型相比为6.10%。类似地，提出模型还提供了最高的PSNR平均值：随机数据集上36.51±0.37 dB，分类集上36.30±0.36 dB，以高达1.2±0.04 dB的幅度 outperforming 最接近的竞争对手，这在医学成像中 substantial，其中细微对比可能携带 significant 诊断意义。 Also，提出模型获得组合和分类数据的最低RMSE，这使得最新的基于Transformer的U-former模型落后约12%。SSIM和PSNR的此改进可归因于提出的升级MHSA更有效捕获长程依赖的能力，同时减少空间冗余和优化上下文特征融合。它增强了Transformer在LDCT图像常见严重噪声条件下保留解剖结构和精细纹理的能力。

重要的是，强度剖面分析通过提供结构级验证 beyond 标准度量进一步确认了这些改进。提出的注意力机制和SSOB保留了更锐利的边缘过渡和更忠实的跨解剖边界的灰度分布，比竞争模型更紧密地与真实情况对齐，同时在去噪过程中提供稳定性。这强化了其保留诊断细节（如组织界面和细微病变边界）的卓越能力，这些是关键特征，常被噪声掩盖或效果较差的去噪方法平滑 out。

不仅结果，而且计算性能。同样令人信服的是在计算效率和可扩展性中观察到的改进。提出模型实现了最快推理时间（0.42秒/图像）、最高吞吐量（2.38图像/秒）和所有现代模型中最低的GPU内存使用（750MB）。此外，它具有最小模型大小（7.6MB）和最短训练时间之一（6小时30分钟）。相比之下，传统模型需要长达16小时训练，消耗双倍GPU内存，并且性能明显更慢。这些资源效率的增益暗示SSOB授权的ViT模型不仅准确而且临床可部署，即使在资源受限设置中，如移动诊断单元、农村诊所或边缘计算医疗设备。

总的来说，这些结果强烈验证了SSOB的 incorporation 增强了基于ViT模型的去噪能力和硬件兼容性。它解决了Transformer的传统弱点，如 excessive 内存消耗和收敛不稳定性，同时保留了它们捕获全局上下文信息的优势。在此过程中，它为医学成像中智能、高效和可靠去噪框架的设计设立了新基准，特别是对于LDCT重建的挑战性领域。对于未来研究，我们旨在探索动态标记化以更好捕获CT图像中的精细和粗糙解剖结构。 Also，探索自监督或无监督目标 may also 减少对干净真实数据的依赖，以实现更有效的临床整合。