眼底病杂志论文格式（眼科疾病诊断书模板）(9)

分类：分类最终的目标变量是A、B、C这样的离散集合里具体一类。我们做肺部结节检测，发现结节后，它到底是良性还是恶性？这是一个典型的二分类问题。

回归：是指最后这个目标变量是一个连续变量。最简单的回归方法是线性回归，表达力很有限。

案例：比如临床上要分析血液里面的载脂蛋白和低密脂胆固醇这两个指标之间的关联性，那么就会套用一个回归模型来建立这样一个关系。

2. 无监督学习

概念：指标准答案不存在或者不易定义，我们希望通过一些更为高层、抽象的规则刻划，让机器自动去发掘原有数据中间的一些特别特征或结构。

聚类：是把原始的数据、样本，按照某种特征分离成若干相似群体。根据基因测序结果或者根据生物芯片对于突变的分析结果，在分子分型和临床表现角度，把患者按相似性进行划分，分成一个个小的类别。这些不同的类别，分子分型和临床表现上有很强的相似性，可以对这一类患者采取相似疗法，以期获得相似效果。

降维：是对于很复杂、很高维度、需要很多特征来表达的数据空间，寻找其内在的冗余性，然后把冗余的部分去除，变成一个比较低维度、好处理的形式。

案例：癫痫患者往往需要做脑电波监控。脑电信号在头部采集，头部会贴两三百个电极，每个电极收集的信号都是完全独立的，都是一个时序特征。所有信号全部采集在一起分析，未必能很好地预测癫痫患者的发病时间或症状强弱的特性。因此需要寻找所有这些电极中的冗余点在哪，是不是电极信号需要组合一下或者筛选出某些主导电极，更好地刻划关联性，更好地预测癫痫患者的发病情况？这是一个降维问题，要将原有两三百个电极采集信号，转换成只有十几维的时序信号，这些信号与目标结果由最强关联性的信号来做最后的模型。

3. 表征学习

概念：表征是指问题可以用不同形式来表述。有些表述形式很方便求解问题，而另一些表述形式不方便求解问题。

案例：分解质因数，如果用现有的数字体系，是一个非常难的问题，尤其是大数的分解。如果改变问题的表述，将数字的表示法更改，这个数字不再用固定底数幂加和的形式来表达，而是用一系列质数幂的乘积来表达，分解质因数就不是问题。因为原始表示法已经表达了最终要分解的形式。

表征学习有很多应用，在非医疗领域，如机器翻译、图像识别这些问题，都经常使用表征学习的方法，将图像、文本或者声音这些比较稀疏、高维度的信号，转换成一个稠密、低维度的向量。基于这个向量，我们可以更好地去刻划原有数据之间的相似性或内在结构，然后去更好地建模。

4. 总结

深度学习整套模型方法从根本上改变了原始问题、原始数据领域的表达形式，把原有纷繁复杂的数据结构转换成一个更容易分类、更容易处理的数据形式，最后达到比较好的效果。

三、当前医疗领域深度学习应用热点方向

当前宣传的最火的就是深度学习。因为它的表征处理能力，可以很好的把很多现实问题转换成可以处理的形式。深度学习擅长处理的就是高维度、稀疏的信号。图像就是这些信号中一种有代表性的形式。医学影像处理应用很明显必然是一个热点方向。除了医学影像处理以外，临床里边还有很多其他问题域，比如时序信号处理、临床数据的信息提取等等，这些虽为很好的问题域，但都不及图像处理容易得到结果。

医学影像处理典型的四大类问题是：影像分类、目标检测、图像分割和影像检索等。都能对应到日常临床应用里的一些痛点的、比较浪费人力的问题。

四、前沿研究成果

以下分享临床问题领域把握比较到位、得到的结果也比较好的一些论文。因为都是针对医学影像数据，采取的建模方法都是类似的，基本上是基于CNN做各种模型变换，最后得到结果。

1. 基于乳腺钼靶影像的病变检测

乳腺钼靶是常见的乳腺癌早期筛查方法，它的诊断难度其实不算大。如果有一个模型能够有效地检查钼靶影像中间异常密度区域，就可以很好地降低人工筛查的工作量。在这篇文章里，达到的结果接近人类专家的平均水平，这是一个非常了不起的结果。

2. 脑部核磁共振影像中的白质高信号灶分割

为什么关注白质高信号灶？因为一旦核磁共振上面发现脑白质里有异常信号表达的时候，很有可能说明，在未来的一段时间内患者容易发展出帕金森氏症，所以它是预测帕金森氏症的一个有力指标。这里最重要的是怎么能准确地分割出脑白质的高信号灶。这篇论文用的也是相对比较传统的模型组合，最后得到的分割效果接近了人类专家的水平，也是一个不错的结果。

文章来源：《中华眼底病杂志》 网址: http://www.zhydbzzzz.cn/zonghexinwen/2022/1213/445.html