“生物医学成像与传感技术在疾病诊断中应用”特刊社论

《Sensors》：Editorial for the Special Issue “Applications of Biomedical Imaging and Sensing Technologies in Disease Diagnosis”

　　

生物医学成像与传感技术正在持续重塑疾病诊断，其通过连接测量物理、信号处理、计算机视觉、人工智能（AI）以及临床决策支持而实现。过去最常遇到的挑战在于获取具有诊断价值的信息：更高空间分辨率、更好对比度、更干净信号以及更稳定测量。当前挑战已扩展至更广范围：诊断技术还须可负担、可重复、可解释、可部署于真实临床环境，并兼容患者、临床医生、医院与嵌入式平台约束。本特刊范围有意放宽，征集磁共振成像（MRI）、计算机断层扫描（CT）、超声、正电子发射断层扫描（PET）、光学成像、新型传感器、AI算法与数据驱动诊断方法相关贡献。收录的十一篇论文表明，该领域不再限于经典医学成像，而是日益依赖传感器、计算模型、采集协议与临床工作流之间的交互。综述层面，眼科光学相干断层扫描与眼底成像中的深度学习可支持糖尿病视网膜病变转诊与自主筛查；放射科头CT、肺癌筛查与乳腺摄影中的AI系统借助大数据集与阅片者研究逼近临床效用；数字病理受益于弱监督全切片图像方法；多模态皮肤科、呼气组学与气体传感、基于心电图（ECG）的AI、视网膜基础模型以及人群水平AI乳腺筛查试验，均体现从“传感器或算法能否检出疾病”转向“完整系统能否以可靠、高效、临床有意义方式改善诊断”。特刊论文可分为可访问与可穿戴传感、光学与显微成像、AI辅助图像解释、MRI生物标志物、可迁移异常检测方法五类。跨领域主题包括可及性驱动创新、真实世界数据约束下的AI、定量可靠性与跨设备协调、成像与传感边界趋同。剩余挑战为外部验证、可解释性、工作流整合；未来应优先前瞻验证、多中心数据集、合规质量控制与人机协同评估。结论认为诊断创新正走向准确、高效、可及、可解释、可临床部署的集成系统，下一步取决于在传感器、成像设备、AI模型与临床经验相互增强的已验证诊断路径中推进。

研究背景方面，生物医学成像与传感技术正把测量物理、信号处理、计算机视觉、人工智能（AI）以及临床决策支持连接起来，过去核心难题是获取更高空间分辨率、更好对比度、更干净信号和更稳定测量；当前难题进一步扩大到诊断系统必须可负担、可重复、可解释、可部署于真实临床环境，并兼容患者、临床医生、医院与嵌入式平台等约束。传统高成本运动捕捉、专用切片扫描仪、依赖大量标注数据的医学AI、跨扫描仪定量磁共振成像（MRI）不可比等问题，使先进诊断方法难以在低资源或常规场景中落地。因此，特刊征集磁共振成像（MRI）、计算机断层扫描（CT）、超声、正电子发射断层扫描（PET）、光学成像、新型传感器、AI算法与数据驱动诊断方法，目的是呈现该领域从“算法检测疾病”走向“完整系统改善临床诊疗”的转型。

研究人员在《Sensors》发表该特刊社论，系统梳理十一篇录用论文，并将其归纳为五大互补主题：可访问运动与可穿戴传感、光学成像与皮肤分析以及数字显微镜、AI辅助医学图像解释、基于MRI的生物标志物与定量成像及协调、超越人类医学的可迁移疾病诊断方法。结论是该特刊显示诊断创新正演变为准确、高效、可及、可解释、可临床部署的集成系统；下一阶段进步不再主要依赖孤立算法性能，而取决于传感器、成像设备、AI模型与临床专业知识相互加强的已验证诊断路径。

作者为开展研究用到的主要关键技术方法如下：采用Kinect消费级深度相机进行步态运动捕捉并与商用运动捕捉参考系统做同期效度验证；采用 Photosensor Oculography（光传感器眼动描记，PSOG）结合近红外发射器与光电二极管实现眼镜集成红外眼动追踪；采用450、520、628 nm RGB激光谱线进行全身皮肤多光谱成像；构建手动显微镜实时拼接管理器RT-4M以由手动显微图像生成虚拟切片；设计轻量金字塔卷积网络LPC-SonoNet用于胎儿超声标准切面检测；提出基于低质量传感器数据的半监督分割框架LSDSL，利用难区域探索和伪标签共享处理CT与MRI；构建融合增强、生成对抗网络（GAN）与分割的AGS网络进行皮肤癌分类；从标准T1加权MRI提取亚皮质结构体积与空间关系以机器学习识别帕金森病分期；联合形态学、动力学与扩散相关多参数乳腺MRI特征预测胚系BRCA突变；采用体模与患者影像结合工作流实现AI/深度学习加速双参数前列腺MRI跨扫描仪协调；利用生成对抗串行自编码器CRASA通过图像重建与背景去除进行辣椒病害异常检测。

研究结果部分保留小标题并简述如下：

3.1 可访问运动与可穿戴传感。Bernal、Feipel与Plaza开发并验证Kinect基步态分析系统，用于前外侧肩痛综合征个体；通过与商业运动捕捉参考比较，研究人员得出低成本的传感器也可提供有临床价值的运动学信息并降低实施复杂度。Pezzoli等提出眼镜集成红外眼动追踪系统，基于光传感器眼动描记、近红外发射与光电二极管、调制解调与轻量回归模型，在人工眼平台验证，说明无摄像头或低功耗眼动追踪可服务智能眼镜、辅助技术与人机接口。

3.2 光学成像、皮肤分析与数字显微镜。Spigulis等提出450、520、628 nm三谱线全身人体皮肤成像装置，以高分辨率相机加RGB激光谱线实现窄带多光谱皮肤成像，并报告志愿者初步临床数据。Mori等提出RT-4M手动显微镜实时拼接管理器，不需专用切片扫描仪或自动显微镜即可由手动显微图像创建虚拟切片并提供采集预览，在荧光与苏木精—伊红样本中减少错位，为低预算实验室提供低成本数字化路径。

3.3 AI辅助医学图像解释。Yu等提出LPC-SonoNet轻量网络用于胎儿超声标准切面检测，采用轻量金字塔卷积策略，在参数少于SonoNet64同时保持并略提升分类精度，体现医学AI需兼顾性能与计算效率。Li等提出LSDSL半监督框架，面向低质量传感器数据，通过难区域探索与伪标签共享提升CT和MRI中已标注与未标注数据利用。Lee等提出AGS网络，将增强、生成对抗网络（GAN）与分割结合，在HAM10000数据集上跨多种深度学习分类器提升皮肤癌分类表现。

3.4 基于MRI的生物标志物、定量成像与协调。Chudzik使用标准T1加权MRI的亚皮质结构体积与空间关系，比较多种机器学习模型，得出健康、前驱期与帕金森病组可被较强区分，说明可解释MRI特征可用于神经退行性疾病评估。Park等使用多参数乳腺MRI形态学、动力学与扩散相关特征预测高危乳腺癌患者胚系BRCA突变，发现流出型强化、背景实质强化与肿瘤大小等特征与突变状态相关，提示MRI生物标志物可支持非侵入风险分层。Malyarenko等针对AI/深度学习加速定量双参数前列腺MRI的跨扫描仪偏差，结合患者影像与体模验证提出协调工作流，以提升表观扩散系数与T₂映射在不同厂商设备间的可重复性。

3.5 超越人类医学的可迁移疾病诊断方法。Si与Kim提出CRASA生成对抗串行自编码器，通过背景去除与图像重建进行辣椒病害诊断；该方法虽非严格人类医学，但异常检测、重建误差与生成式学习思路可迁移至疾病样本稀少的生物医学异常识别场景。

讨论部分总结，特刊呈现四项跨领域主题：可及性成为创新主要驱动力，Kinect步态、手动显微镜拼接、轻量胎儿超声分类与智能眼镜眼动追踪都在降低部署门槛；真实世界数据约束下AI至关重要，小样本、不平衡、噪声与弱标注迫使模型设计兼顾有限标签、异质输入与计算效率；定量可靠性和协调与原始性能同等重要，光学成像、显微镜与可穿戴传感都要求跨设备、操作者、患者和时间输出可比；成像与传感边界趋同，眼动、步态、光学皮肤、MRI、显微镜、超声与异常检测共享从结构化测量中提取临床信息的逻辑。剩余挑战包括外部验证不足、可解释性不够、工作流整合困难；未来应推进前瞻验证、多中心数据集、监管就绪质量控制与人机协同评估，嵌入式与可穿戴系统还要从起步阶段考虑功耗、校准、解剖变异与可用性，医学AI则需应对分布偏移、群体公平性与失败案例透明报告。

结论部分翻译：本特刊展示了当前生物医学成像与传感技术用于疾病诊断研究的广度与活力。录用论文跨越硬件、软件、机器学习、定量成像、光学传感、数字病理与可穿戴系统。结合更广义研究现状可知，诊断创新正演化为准确、高效、可及、可解释且可临床部署的集成系统。该领域下一阶段进展将更少依赖孤立算法性能，而更多依赖这样一种能力：构建已验证诊断路径，使传感器、成像设备、AI模型与临床专业知识彼此强化。