编辑推荐：
这篇综述聚焦医学影像领域，通过系统文献回顾（SLR），运用 PRISMA 技术，分析 2019 - 2024 年相关文献。发现集成模型在疾病诊断中应用广泛，但面临数据质量、过拟合等问题。该研究为后续医学影像集成模型的发展提供了参考，值得一读。
医学影像与集成模型：现状与挑战
在医学领域，医学影像对疾病诊断至关重要。像 X 射线、CT、MRI、超声和彩色医学图像等多种成像技术，为医生提供了人体内部结构和生理功能的详细信息。不过，解读这些影像需要专业知识，且过程耗时，还容易出现人为误差。
人工智能（AI）的出现为解决这些问题带来了希望，其中集成模型备受关注。集成模型通过融合多个模型的预测结果，提升诊断准确性，还能有效处理医学影像中的复杂信息，控制过拟合，更好地进行特征表示 。
集成模型有不同的类型。基于相同数据集和学习算法构建的是同质集成模型；而异质集成模型则利用神经网络、支持向量机和随机森林等多种技术构建。根据数据依赖关系，集成模型还可分为顺序集成模型和并行集成模型，前者按顺序纠正错误，后者同时生成模型，各模型错误相互独立 。
尽管集成模型在医学影像诊断中展现出潜力，但过往研究存在不足。比如，Akinbo 和 Daramola 的文献综述缺乏对结果的详细解释，也未明确集成机器学习算法的相关数据；Imran 和 N 的研究仅基于 CT 影像，且文献数量较少 。
研究方法
为了更全面地了解医学影像集成模型的现状，研究人员采用了系统文献回顾（SLR）方法，并遵循 PRISMA 指南 。
在数据识别阶段，研究人员检索了 Scopus 和 Web of Science（WoS）数据库，这两个数据库涵盖了众多知名出版商，数据质量较高，但也存在数据偏向某些领域的问题 。为了减少数据偏差，研究人员还考虑纳入 IEEE 等计算机科学领域的数据库。检索时间范围设定为 2019 年至 2024 年，使用 “集成模型” 和 “医学影像” 等关键词，确保研究与当前技术发展相关 。
初步筛选数据时，研究人员使用了包含 “医学影像”“集成模型” 以及 “诊断”“检测”“分类”“预测”“分割” 等词的查询语句。经过一系列筛选，如限定时间范围、文档类型、学科领域、语言、去除重复文档等，最终从最初的 322 篇文献（Scopus 271 篇、WoS 51 篇）中筛选出 75 篇不同的论文 。
进一步评估后，排除与集成模型或医学影像无关的研究、书籍章节、非人类研究对象的研究、综述等，最终确定 30 篇符合标准的论文进行深入分析 。
观察与发现
对 75 篇研究论文的元数据分析发现，医学影像集成模型相关研究呈增长趋势，2023 年发表的文章数量增长最为显著 。Kim J 和 Zhang H 是发表相关论文最多的作者，IEEE Access 是发表论文数量最多的来源 。
在关键词方面，“医学影像”“深度学习” 和 “集成模型” 出现的频率较高。通过词云图和 Treemap 可以直观地看出，这些术语在研究中占据重要地位 。
研究还发现，热门研究主题在不同年份有所变化。2019 年主要是 “集成建模”，2021 年转向 “图像分割”，2023 年 “集成模型” 成为热门，到 2024 年 “机器学习” 受到关注 。
从机构来看，沙特阿拉伯的阿卜杜勒阿齐兹国王大学发表的相关论文最多，其次是韩国的全南国立大学和中国的汕头大学医学院等 。
结果与讨论
30 篇符合标准的研究论文表明，集成模型在多个医学影像学科中得到广泛应用。在疾病检测方面，包括肺炎、COVID - 19、肺结核、肺癌等；在医学影像处理方面，涉及图像分类、分割等 。
例如，在肺炎检测中，Ko 等人使用加权投票集成的 CNN 模型，对胸部 X 光图像进行检测，平均精度均值（mAP）达到 0.21746；Mao 等人采用加权平均集成的 CNN 模型（RetinaNet 和 Mask R - CNN），精度为 0.808，召回率为 0.813 。在 COVID - 19 检测方面，Deb 和 Jha 使用基于集成的 NASNet、MobileNet 和 DenseNet 模型，准确率达到 91.99%；Iqball 和 Wani 使用 ResNet101、InceptionV3 和 MobileNetV2 作为基线模型，加权和集成作为融合方式，准确率、精度和召回率均达到 100% 。
在牙科疾病检测中，Suhail 等人基于头颅侧位 X 光片，使用逻辑回归和神经网络作为基线模型，随机森林集成作为融合方式，预测正畸拔牙的准确率达到 93 - 98%；Imak 等人基于根尖 X 光片，使用多输入 AlexNet 和评分融合集成，龋齿检测准确率达到 99.13% 。
不过，这些研究也面临一些挑战。数据方面，存在数据稀缺、质量不高、异质性大、不平衡以及患者数据保密性导致的数据获取困难等问题，这使得集成模型使用的数据量相对较小，容易出现过拟合现象 。此外，训练和维护集成模型需要大量内存和处理资源，且多数研究缺乏临床验证和实际应用案例，主要集中在理论研究和模型性能分析 。
为了解决这些问题，研究人员提出了一些方法。在数据质量方面，可以进行预处理，采用增强方法；对于数据异质性，可以使用迁移学习方法，或者结合多种模型，精心选择和设计与医学影像任务相关的特征 。
结论
医学影像集成模型在疾病诊断中展现出较高的准确性，平均准确率超过 90.14%，但面临诸多挑战 。在实际应用中，需要纳入真实患者数据，使用可解释的集成模型，为最终预测提供准确解释 。未来，集成模型有望与患者数据结合，形成混合模型，为临床诊断提供更多支持，但最终决策仍需医生做出 。同时，AI 在医学领域的应用必须遵守严格的法规，保护患者数据隐私和安全，以充分发挥其优势，降低潜在风险 。
