深度学习在医疗领域面临哪些挑战？

阿尔茨海默病

深度学习在医疗领域面临哪些挑战？哥廷根数学学派网络解答。深度学习应用于医疗领域面临哪些挑战？举个例子，之前看到的一个案例是关于利用深度学习评估阿尔茨海默病治疗靶点的研究。这项研究由 Justin Elstrott 博士主导。阿尔茨海默病（AD）是导致痴呆的最常见原因，其主要特征是大脑中淀粉样斑块的积累，从而引发脑部病变。研究表明，这些坚硬且不可溶解的 β-淀粉样蛋白聚集物与树突棘的丢失密切相关。树突棘是神经元树突上的微小突起结构，负责接收来自其他神经元的信号输入。基于这些发现，Justin Elstrott 博士以及其他研究阿尔茨海默病的科学家们正在进行临床前阶段的工作，以评估某些化合物是否能在存在淀粉样斑块的情况下减少树突棘的丢失。为了量化树突棘的丢失情况，研究人员需要分析小鼠脑组织的显微镜图像，沿着树突逐一统计树突棘的数量，并计算出树突棘密度（例如，每 100 微米树突上的树突棘数量）。如果完全依赖人工操作，这一过程将耗费大量时间和精力。大约十年前，Justin Elstrott 博士的团队开发了一款名为 Spine Tool 的 MATLAB? 图像处理应用程序。这款工具能够帮助自动识别树突棘并计算其密度（ 1 所示）。尽管原始版本的 Spine Tool 在处理体外样本时表现出色，但在面对图像质量较差的离体大脑样本时，却出现了较多的误报和漏报问题。因此，研究人员需要进一步改进算法，以便更准确地识别和分析树突棘的变化，从而为阿尔茨海默病的研究提供更可靠的数据支持。

为了提高 Spine Tool 的精度，研究团队与 MathWorks 顾问合作，引入了深度学习技术。他们利用包含超过 9000 张图像的数据集训练了一个卷积神经网络（CNN），这些图像均由原始版本的 Spine Tool 进行了标注。经过训练的 CNN 不仅提升了自动化水平，还为评估减少树突棘丢失的潜在治疗方案提供了支持。在研究中，团队探讨了树突棘密度的基本特性。实验采用了两种类型的小鼠：一种是正常的野生型小鼠（WT 小鼠），另一种是会表达淀粉样 β 蛋白的小鼠（PS2APP 小鼠），后者更容易形成淀粉样斑块。通过对小鼠脑组织切片的显微图像进行数字化处理，研究人员能够识别并统计单个树突上是否存在可见斑块时的树突棘数量。 2 所示，在 PS2APP 小鼠中，当出现斑块时，其附近的树突棘数量显著减少。此外，研究还纳入了第三组小鼠，这组小鼠的补体 3 基因被敲除（C3KO）。结果显示，这类小鼠的树突棘丢失情况明显少于其他两组，表明补体 3 基因可能在树突棘丢失过程中发挥了重要作用。这一发现为探索相关疾病的病理机制及潜在干预措施提供了重要线索。

汇总数百个样本的树突棘密度后，绘制条形图对比不同小鼠基因型的树突棘密度（见图3）。统计结果显示，斑块附近树突棘密度显著减少，而C3KO小鼠的树突棘密度明显恢复。这说明抑制补体活性或许能成为一种有效的治疗手段。

痴呆

传统图像处理与深度学习融合，早期的 Spine Tool 采用多种技术识别树突棘，如阈值检测、分割及形态学处理，并结合定制运算分析神经科学特有的形态学特征（ 4 所示）。

为了将 Spine Tool 与深度学习技术结合，研究团队评估了多种预定义的网络架构，其中包括 Deeplab、SegNet 和专门为生物医学图像分割设计的 U-Net。最终选择 U-Net 的原因是其在多分辨率处理方面的优异表现。为了缩短训练时间，他们决定采用二维 U-Net 而非更复杂的三维 U-Net。尽管数据本身是三维的，但这些数据并非等体积结构——三维体的深度仅包含几个切片，而树突棘在 Z 轴上的跨度很少超过一到两个切片。因此，他们对这些三维薄切片进行了最大密度投影，从而生成了一个二维数据集。经过训练的网络初步分类结果看起来不错，但仍存在漏报问题，识别出的树突棘数量少于人眼能够观察到的数量。这一现象的主要原因是类不平衡问题：相比树突和背景区域，树突棘的面积非常小。为了解决这一问题，他们调整了网络中各类别的权重，并尝试了多种损失函数以提升预测精度。优化后的网络几乎可以检测到图像中的所有树突棘，但同时也增加了误报率。为此，他们对结果进行了后处理，例如通过施加长度和体积限制，剔除那些过大或过小、实际上并不属于树突棘的目标。目前，这一深度学习模型的主要用途在于节省时间，而非显著提高准确性。通过结合后处理步骤，该模型被用于预测不同基因型条件下的树突棘密度比。结果显示，这种方法得到的结果接近基于 Spine Tool 真值数据集使用传统图像处理方法获得的计数（ 5 所示），同时可减少多达一半的手动校正时间。