用途:面向科研场景,指导如何将深度学习应用于医学影像分析,涵盖分类、分割和病灶检测等任务。
主要能力:梳理常见影像模态的数据特征,包括X光、CT、MRI、病理全切片与视网膜成像,并列出对应格式(DICOM、NIfTI、SVS等)与公开数据集示例。提供预处理思路,如CT窗宽窗位映射、X光归一化、MRI按体积做z-score标准化,以及按体素间距重采样。按任务给出架构建议:分类可用ResNet、EfficientNet、ViT、DenseNet;分割可用U-Net、nnU-Net、Attention U-Net、TransUNet及MONAI,3D任务可考虑3D U-Net、V-Net或2.5D方法;检测可用YOLO、Faster R-CNN、RetinaNet、DETR。针对小数据集,说明数据增强(空间变换、弹性形变、慎用强度变换)与迁移学习策略,包括ImageNet预训练、医学域预训练、自监督预训练与少样本学习。
评估与合规:介绍AUROC、AUPRC、固定特异性下的敏感度、Dice系数、HD95、平均表面距离等指标,并强调置信区间、交叉验证与外部验证。伦理法规部分涉及DICOM去标识化、IRB审批、数据使用协议、亚组公平性测试、可复现性与CLAIM清单,以及临床使用需FDA/CE与SaMD认证,研究原型不可用于临床决策。
限制:资料未提供具体安装命令、依赖版本、收费或价格信息;少样本学习仍属研究阶段,尚未生产就绪;基准表现与真实临床价值之间仍有差距。