医学图像与机器学习应用解析

1、在哪些情况下，无监督机器学习模型可能是合适的选择？

无监督机器学习模型在以下几种情况下可能是合适的选择：

1. 没有输出标签可用时 。
   例如在某些场景中，可能无法获取到用于标注的输出标签。

2. 输出标签的可信度不足时 。
   如区分正常和降低的射血分数可能在心力衰竭的整个范围内过于简化，无法准确反映实际情况，此时标签的可信度不够。

3. 有监督学习方法显示出局限性时 。
   即当使用有监督学习模型无法很好地解决问题时，无监督学习模型可以作为一种替代选择。

2、已经开发了一个基于CT图像自动诊断某些类型心血管疾病的机器学习模型。为了训练该模型，开发者使用了包含100张CT图像及相关诊断信息的训练集。他们实现了多个不同的有监督机器学习模型，每个模型都有不同的超参数设置。在一个包含50张CT图像及诊断信息的测试集上表现最佳的模型被选中进行部署。你对开发者采用的验证策略有哪些担忧？你认为所选模型在实际临床数据上的表现会和测试集上一样好吗？

对开发者采用的验证策略的担忧

主要有以下几点：

1. 数据集规模较小

• 训练集 ：仅100张CT图像
• 测试集 ：仅50张CT图像

样本数量可能不足以让模型学习到足够多的特征和模式，容易导致模型 过拟合 ，即模型在测试集上表现良好，但泛化能力较差，在新的数据上表现不佳。

2. 缺乏交叉验证

• 仅简单地划分一个测试集来评估模型，没有采用 交叉验证 等更稳健的方法。
• 交叉验证的优势 ：
• 可以更充分地利用数据
• 减少因数据集划分的随机性带来的评估误差
• 提高模型评估的 准确性和可靠性

3. 数据代表性可能不足

• 这些CT图像可能不能很好地代表实际临床中的所有情况，例如：
• 患者群体的局限性
• 图像采集设备和条件的一致性

如果实际临床数据的分布与训练和测试数据的分布不同，模型的性能会受到很大影响。 不太可能期望所选模型在实际临床数据上表现和测试集上一样好。

验证策略问题带来的影响

由于上述验证策略的问题，模型可能 过拟合测试集 ，当面对实际临床中复杂多样的数据时，其性能很可能会下降。

实际临床数据可能包含：

• 更多的噪声
• 不同的图像质量
• 更广泛的患者特征

这些都可能超出了模型在训练和测试过程中所学习到的范围，从而导致模型在实际应用中的表现 不如在测试集上的表现 。

3、一家公司正在开发一种自动工具，用于从CMR图像中分割主动脉，以期利用分割结果得出功能性生物标志物。该公司计划使用手动轮廓绘制产生的注释来训练有监督的分割模型。然而，手动轮廓绘制过程非常费力且耗时。你会推荐什么替代方法？

可以考虑采用无手动注释情况下的自动分割质量控制（QC）方法。文献中提出了几种在没有地面真值（即手动注释）的情况下进行自动分割QC的方法，可分为两大类：

1. 直接分割QC ：直接使用生成的分割结果来产生评估指标。其中基于学习的质量控制算法，可利用AI模型的输出作为置信度度量，例如有研究使用无监督方法将预测分割与概率生成分割模型进行比较，产生与图像中可见轮廓对齐的平滑分割。

2. 间接分割QC ：从生成的分割结果中提取一些特征/参数来进行QC。这些方法可以在不依赖大量手动注释的情况下对分割质量进行评估和控制，从而减少手动轮廓绘制的工