21、深度学习在生物医学工程与医学影像中的应用与挑战

深度学习在生物医学工程与医学影像中的应用与挑战

1. 深度学习在生物医学信息学中的应用与挑战

深度学习在模式识别和分类领域占据主导地位，在生物医学信息学中也有着广泛的应用。

1.1 深度学习网络训练的问题

• 过拟合问题 ：在训练深度学习网络时，当网络参数与输入数据集的大小相当时，会出现过拟合问题。这导致DNN模型只能记住训练样本，无法对未见过的新输入样本进行泛化。为解决此问题，需要探索相应的解决方案，以防止过拟合并提高对所有输入数据集的求解能力。
• 数据预处理和超参数确定 ：在医疗应用中使用DNN模型时，收集的数据集不能直接作为网络输入，必须先进行预处理和归一化。此外，影响DNN设计的参数初始假设，如输入数据集大小、CNN使用的最小滤波器数量或深度等，仍需深入探索并针对标准输入进行验证。成功实现预处理和确定最佳超参数集是一个具有挑战性的问题，这些问题直接影响网络训练时间，对设计有效的生物医学分类模型也至关重要。
• 易受误导问题 ：大多数DNN容易被误导。例如，对输入样本进行小的更改会导致样本分类错误。特征值可被故意设置得过高或过低以造成错误分类，决策树分类过程也可能因特征集的变化而被误导。所有机器学习模型都容易受到此类操纵。

1.2 深度学习在生物医学信息学中的优势与挑战

• 优势 ：当有大量生物医学数据时，深度学习技术能更好地发展并产生良好结果，尤其在人类难以解释的应用中。这些技术可实现更快、更智能的疾