综述：2D 深度学习网络在肺癌 CT 分割中的当前及潜在应用

这篇综述聚焦 2D-DL 网络在肺癌 CT 分割应用，指出问题并给出改进方向。

　　

2D 深度学习网络在肺癌 CT 分割中的当前及潜在应用

一、背景

肺癌发病率的不断攀升，让早期检测成为了对抗这一疾病的关键环节。计算机断层扫描（CT）在肺癌早期检测中发挥着重要作用，而深度学习（DL）技术的融入，更是为提升肺癌诊断的准确性、优化治疗方案、提高患者生存率带来了新的希望。本综述旨在全面梳理 2D-DL 网络在肺癌 CT 分割方面的研究现状与未来发展趋势，系统总结相关研究成果，深入剖析其中的关键概念，同时找出当前研究存在的不足。

二、研究方法

研究严格遵循系统评价和荟萃分析的首选报告项目（Preferred Reporting Items for Systematic Reviews and Meta-Analysis）指南，对 2020 年 1 月至 2024 年 12 月期间发表的同行评审研究展开系统检索。检索范围覆盖了谷歌学术（Google Scholar）、PubMed、Science Direct、电气与电子工程师协会（IEEE）以及计算机协会（ACM）图书馆等多个权威数据库，重点关注利用结构化数据进行数据驱动的群体分割研究。经过筛选，最终有 124 项研究符合纳入标准，并对这些研究进行了深入分析。

三、研究结果

（一）数据集使用情况

在众多研究中，LIDC-LIDR 数据集成为了应用最为广泛的数据集。这一数据集为众多基于 2D-DL 网络的肺癌 CT 分割研究提供了重要的数据支撑，其丰富的病例信息和标注数据，有助于模型的训练和优化。

（二）学习方法依赖

目前的研究成果在很大程度上依赖于有监督学习。有监督学习通过使用带有标注的数据进行模型训练，使得模型能够学习到图像特征与标签之间的映射关系，从而实现对肺癌 CT 图像的准确分割。这种学习方式在现有研究中占据主导地位，为肺癌 CT 分割任务奠定了坚实的基础。

（三）模型应用情况

在医学图像分割领域，UNet 模型及其变体脱颖而出，成为使用频率最高的模型。UNet 模型凭借其独特的网络结构，能够有效地捕捉图像中的上下文信息，在肺癌 CT 分割任务中表现出色，其获得的 Dice 相似系数（DSC）最高可达 0.9999。这一高指标表明 UNet 模型在分割精度上具有显著优势，能够较为精准地识别出肺癌病灶区域。

（四）研究存在的问题

1. 类不平衡问题突出：高达 67% 的研究未能有效解决类不平衡问题。在肺癌 CT 图像数据中，正常组织和病变组织的样本数量往往存在较大差异，这种不平衡会导致模型在训练过程中对少数类样本的学习不足，从而影响模型对病变组织的识别能力，降低分割的准确性。
2. 交叉验证利用不足：21% 的研究没有充分利用交叉验证。交叉验证是一种评估模型性能和泛化能力的重要方法，通过将数据集进行多次划分和训练评估，可以更全面地了解模型在不同数据子集上的表现。研究中对交叉验证的忽视，可能导致模型性能评估不够准确，无法真实反映模型在实际应用中的表现。
3. 模型稳定性评估欠缺：仅有 3% 的研究对模型稳定性进行了充分评估。模型稳定性对于其在临床实践中的应用至关重要，不稳定的模型可能在面对不同患者的 CT 图像时出现波动，导致分割结果不一致，影响诊断的可靠性。
4. 缺失数据处理缺失：令人惊讶的是，88% 的研究都没有处理缺失数据。在实际的医学数据收集过程中，由于各种原因，数据缺失现象较为常见。未处理的缺失数据可能会影响模型训练的质量，进而干扰模型的性能和准确性。
5. 泛化性讨论不足：在所有研究中，仅有 34% 的研究讨论了模型的泛化性问题。泛化性是指模型在未见过的数据上的表现能力，对于肺癌 CT 分割模型而言，能否在不同医疗机构、不同扫描设备获取的 CT 图像上保持良好的性能，是决定其能否广泛应用于临床的关键因素。研究中对泛化性的忽视，限制了模型从实验室走向临床实践的进程。

四、研究结论

（一）卷积神经网络的重要性

本综述充分强调了卷积神经网络（Convolutional Neural Networks），尤其是 UNet 模型在肺癌 CT 分析中的重要地位。UNet 模型及其变体在众多研究中的出色表现，证明了其在肺癌 CT 图像分割任务中的有效性和可靠性，为后续研究提供了重要的参考和借鉴。

（二）建模方法的建议

倡导采用 2D/3D 联合建模的方法。2D-DL 网络在处理单张 CT 图像时具有一定优势，能够捕捉图像中的局部特征；而 3D 建模则可以更好地考虑图像的空间信息，从整体上把握病变的形态和位置。将两者结合，有望发挥各自的优势，进一步提升肺癌 CT 分割的精度和效率。

（三）未来研究方向

1. 数据集的完善：需要更大规模、更多样化的数据集。现有的数据集在数量和多样性上存在一定的局限性，无法涵盖肺癌的所有类型和表现形式。丰富的数据集可以让模型学习到更全面的图像特征，增强模型的泛化能力，提高其在实际临床应用中的准确性。
2. 学习方法的拓展：积极探索半监督学习和无监督学习。半监督学习可以利用少量的标注数据和大量的未标注数据进行模型训练，降低对标注数据的依赖，提高模型的性能；无监督学习则可以自动发现数据中的潜在模式和特征，为肺癌 CT 分割提供新的思路和方法。通过拓展学习方法，有望突破当前研究的瓶颈，推动肺癌 CT 分割技术的进一步发展。

总之，虽然 2D-DL 网络在肺癌 CT 分割方面已经取得了一定的成果，但仍然面临着诸多挑战。未来的研究需要针对现有问题，不断优化模型、改进方法、丰富数据集，以实现更精准、高效的肺癌自动化诊断和早期检测，为肺癌患者带来更多的希望。