综述：人工智能在医学影像分析中的作用

《Chinese Medical Journal》：Role of artificial intelligence in medical image analysis

本综述系统回顾了人工智能（AI）在医学影像分析中的关键进展与应用。文章通过LDA主题建模分析了52,705篇文献，重点探讨了AI在图像增强（如CNN、GAN）、分割（如U-Net、FCNN）、检测（如R-CNN、YOLO）、诊断（如放射组学、深度学习）及预后预测（如生存分析）等核心任务的表现。研究揭示了AI在提升肺癌、卵巢癌等疾病诊断精度（如肺癌良恶性鉴别准确率达90.7%）和预后预测（C-index达0.730）方面的潜力，同时指出多模态数据融合、大语言模型（LLM）及模型可解释性等未来方向。

　　

引言

计算机辅助医学影像分析自1895年首张X射线图像问世以来已显著演进。人工智能（AI）作为计算机辅助诊断的关键组成部分，在多种医学任务中展现出重要价值。早期传统AI方法仅限于在临床医生监督下对二维图像中的手工特征进行粗略识别，如测量肿瘤大小、评估组织灰度差异等，面临自动化程度低、数据集不足及精度瓶颈等挑战。

近年来，卷积神经网络（CNN）的引入快速推动了AI辅助医学影像分析的发展。硬件技术的进步使AI分析从基于中央处理器的系统转向图形处理器计算，极大提升了处理能力，支持从数百张到数百万张图像的管理。AI算法的演进，特别是深度学习的出现，扩展了图像特征语义表征的学习能力，实现了从二分类到千余类别的高精度分类。当前研究表明，AI技术正推动医学影像处理向数字化、精准化和智能化发展，涵盖从图像预处理（如增强、分割、检测）到临床诊断与预后的复杂决策。

为阐明AI在医学影像处理中的重点研究领域、进展及应用场景，本研究对Web of Science数据库中2004至2023年发表的52,705篇英文文献进行了潜在狄利克雷分配（LDA）主题建模分析。通过困惑度曲线、一致性曲线及主题间距离图等指标，确定将主题数设为8可实现清晰划分（困惑度快速下降，一致性较高）。高频词分析显示，脑、乳腺、肺及皮肤相关研究更为突出，主要聚焦于图像分类、分割、检测与重建。

AI在医学影像分析中的应用

图像增强

医学影像中的噪声是影响临床实践效果的关键挑战。计算机断层扫描（CT）、磁共振成像（MRI）及超声等影像模态因设备限制和辐射剂量约束存在图像质量不足的问题。AI算法（尤其是深度学习）为提升图像质量提供了新途径。例如，Chen等提出基于CNN的低剂量CT（LDCT）去噪方法，通过残差编码器-解码器（RED）-CNN架构显著提升了峰值信噪比（PSNR）和结构相似性指数（SSIM）。在MRI领域，Qin等利用卷积循环神经网络（CRNN）从高度欠采样的k空间数据中重建高质量心脏MRI，加速率较传统方法提升数倍。生成对抗网络（GAN）通过生成器与判别器的协同工作，在LDCT去噪及三维MRI图像优化中表现出色，如RED-WGAN模型在PSNR和SSIM指标上优于传统算法。

文献计量分析显示，2017年前“CT血管成像”关注度较高，2020年后“计算机断层扫描”和“超声”成为热点，同时研究重点从“机器学习”转向“神经网络”，反映了CNN和GAN技术在复杂模态中实现细节增强的突破。

感兴趣区域分割

图像分割是医学影像处理的关键步骤。早期方法依赖阈值法和区域生长法等传统技术，深度学习则展现出更高的准确性、适应性和可扩展性。全卷积神经网络（FCNN）通过去除全连接层，支持任意尺寸图像的像素级分割输出，如Zhao等整合FCNN与条件随机场实现脑肿瘤分割（dice系数达87.0%）。U-Net架构通过下采样与上采样路径的跳跃连接提升分割精度，其变体如3D U-Net、U-Net++、R2U-Net等在不同器官（如角膜内皮、肝脏肿瘤）分割中取得dice系数超96%的性能。GAN框架亦被用于多器官分割，如U-Net-GAN在胸部CT图像中对肺、脊髓等器官的分割dice系数达75%-97%。

热点图谱表明，2015年前MRI研究较多，2018-2019年“糖尿病视网膜病变”相关分割迅速增加，2020年后“脑”分割成为焦点，与U-Net、FCNN及残差网络（Res-Net）等技术的发展密切相关。

检测

计算机辅助检测（CAD）旨在定位可疑病灶并降低假阴性率。传统CAD系统常将结节检测分为异常病灶检测和假阳性（FP）削减两步，采用模糊阈值、形态学 blob 特征及支持向量机等方法。深度学习则通过降低人工干预提升了检测效率。Mordang等首次将CNN应用于乳腺X线摄影中的微钙化（MC）检测，灵敏度达70%。区域卷积神经网络（R-CNN）及其变体（如Fast R-CNN、Faster R-CNN、Mask R-CNN）成为病灶检测的新基准，在COVID-19图像感兴趣区域（ROI）检测中平均精度（mAP）超95%。YOLO系列模型因计算高效性受到关注，如YOLOv10在儿科腕部骨折检测中较YOLOv9的mAP提升8.6%。

研究热点显示，除人类疾病外，动物影像检测（如牛、禽流感病毒）亦是重点方向。R-CNN和YOLO等技术在乳腺癌性病变、肺结节等特定病灶检测中应用广泛。

AI辅助诊断

AI在CAD中的应用随电子健康记录和高分辨率医学影像数据的增长而快速发展。放射组学通过统计和机器学习技术预测肺癌生长模式、乳腺癌腋窝淋巴结状态等。深度学习模型则以最小人工干预在放射学图像诊断中取得显著成功。AlexNet在ImageNet竞赛中的突破推动了CNN在医学影像中的应用，如肺结节分类准确率达94.3%-98.0%。Wang等基于DenseNet开发深度学习模型，通过CT图像非侵入性预测肺腺癌表皮生长因子受体（EGFR）突变状态，并可视化模型注意力区域。MRI图像分析中，Liu等多模态融合模型在脊柱肿瘤分类中准确率超80%，优于放射科医生。病理图像分析方面，深度学习在宫颈细胞分类（准确率超99%）、骨髓有核细胞计数（召回率超90%）及乳腺癌肿瘤增殖评估中表现出色。

热点图谱表明，2018年前“乳腺癌”是研究重点，2020-2021年“冠状病毒”和“肺炎”关注度上升，反映了公共卫生事件的影响。AI辅助诊断更注重疾病相关风险的识别，深度卷积神经网络和迁移学习是常用技术。

AI辅助预后预测

深度学习模型通过分析影像数据预测患者生存、复发及转移等临床结局。He等基于Inception v3架构的CNN模型预测骨巨细胞瘤（GCTB）术后复发，准确率达75.5%，结合临床特征后提升至78.6%。Huang等融合放射组学与CNN特征预测肺癌进展和总生存期（OS），联合PET/CT模型的C指数达0.737。Zhong等利用ResNet 152预测临床I期非小细胞肺癌（NSCLC）N2转移，高风险组OS和复发自由生存期（RFS）显著较差。此外，AI还用于疗效预测，如Deng等基于EfficientNet-V2预测晚期NSCLC患者对酪氨酸激酶抑制剂和免疫检查点抑制剂的反应，诊断准确率提升约15%。

文献计量分析显示，2009年前逻辑回归和神经网络是主要数据挖掘技术，2019年后“抑郁”和“放射治疗”关注度上升，循环神经网络（RNN）和图神经网络（GNN）逐步用于时间序列和患者关联分析。

医学影像分析中的大语言模型

LLMs在医学研究中展现出变革潜力，如Wu等将甲状腺结节超声图像转化为文本描述，由GPT-4.0诊断良恶性（准确率78%-86%）。Zhou等基于160万张未标记视网膜图像构建RETFound模型，在眼病诊断和系统性疾病预测中表现优异。DeepDR-LLM系统则整合LLM与DeepDR-Transformer，为糖尿病管理提供个性化建议。

热点图谱显示，2014-2017年“数据挖掘”引用强度高，2017年后注意力转向“分类”“CNN”和“电子健康记录”。“偏见”成为新兴问题，反映了LLMs临床应用的伦理挑战。Transformer架构是ChatGPT等模型的基础，但其在敏感医疗数据中的应用存在信息泄露风险。

多模态数据融合

多模态数据融合通过整合医学影像、基因组数据和临床信息提升疾病诊断精度。Lin等证明融合临床和图像数据的随机森林模型在甲状腺疾病鉴别中的AUC（0.79）优于单模态模型。Roest等发现多模态AI在前列腺癌检测中稳健性更强（外部测试AUC 0.77 vs. 0.67）。Zhou等提出基于Transformer的IRENE模型，联合学习医学图像、患者主诉和结构化数据。Gao等融合放射与病理图像预测胃癌新辅助化疗疗效，准确率提升11.4%。深度学习方法（如注意力机制、GNN）正逐步取代早期融合、中期融合等传统策略。

挑战包括数据可用性、集成及可重复性。热点图谱表明，2021年前“脑网络”研究较多，随后CNN成为多模态数据建模的核心技术。

挑战

AI在医学影像分析中仍面临数据可及性、模型可解释性、计算资源消耗和泛化能力等挑战。小样本学习、合成图像质量差异及设备参数差异可能影响泛化性能。多任务学习和跨中心验证是提升泛化能力的潜在策略。LLMs的伦理问题（如幻觉、误导信息）及数据隐私风险也需关注。轻量级网络（如3D CNN）和模型优化（如DeepSeek-V3的MoE架构）有助于降低计算负担。

结论

AI在医学影像分析中取得了显著进展，从图像预处理到临床决策支持均展现出潜力。通过技术迭代和多模态整合，AI有望成为临床实践的核心工具，推动精准医疗发展。