将医学影像交给人工智能处理，听起来极具未来感——AI不仅能比人类专家更快速、更精准地检测和测量异常，还能推动影像诊断迈向新高度。然而，要实现真正的治疗效果改善和个性化治疗方案，关键在于构建一个能在不同人群中稳定输出结果的高质量AI模型。这种模型的诞生，离不开海量数据，而且这些数据必须经过精心标注，才能用于训练机器学习算法。

好消息是，深度学习的子领域——弱监督学习，恰好能解决这一难题。它显著降低了对数据标注完整性和精确度的要求，使医生能够更轻松地挖掘出深层信息。采用弱监督学习，数据只需进行粗略标注（例如仅标注整幅影像是否存在异常，而无需细分病灶区域），过程中还能充分利用预训练模型和常见的可解释性方法。接下来，我们将重点探讨数据管理在弱监督学习中的关键作用——简而言之，数据标注是整个流程的起点。

医学影像标注的挑战与困难

医疗领域的影像标注充满重重困难。首先，影像数据与对应的检查结果通常分散在不同的系统之中。例如，CT或MRI的影像数据可能存放在医院信息系统，而活检或肿瘤切除的病理结果则保存在检验科，甚至外部的私人诊所或检测机构。想要核对数据与标注？技术上虽然可行，但将数据汇总起来需要耗费大量时间，尤其是涉及多家机构时。

更不用说，要在影像中寻找疾病迹象（生物标志物）并进行标记，这是一项极其耗时且复杂的任务——每个像素都需要标注，最终标记数量往往多达上千。如果算法需要分割影像或定位特定区域（如病灶、手术边界），工作量会成倍增加。这个过程成本高昂：医学影像标注需要专业知识，而MRI和CT还需进行三维标注。这两重因素叠加，使得影像标注成为一项既昂贵又难以外包的专业工作。

标注质量同样令人担忧——它高度依赖于标注人员的专业水平，而水平参差不齐，直接影响了深度学习模型的最终性能。通常，培训经验不足的放射科医生或住院医师负责标注，但他们的准确度显然不及拥有二十年经验的老手。此外，不同阅片人对同一影像的解读存在细微差异，同一个人在不同时间标注同一影像，结果也可能不一致。这些“人的因素”都会削弱标注的稳定性。

最后，人工标注本身也会限制最终结果。机器学习的一大优势是能够发现人类察觉不到的规律，但人工标注终究基于人的输入，模型输出很容易受到局限。例如，如果AI只能复制人类对特定任务的判断，那么它很可能无意中复制了某个人的偏见。更糟糕的是，影像中某些看似无关的区域可能隐藏着预测性特征，但由于不在人为选定的关注区域内，这些特征就被直接丢弃了。要知道，疾病的显著指征完全可能出现在关注区域周边的其他组织，甚至附近的其他器官中。

利用弱监督学习进行模型训练

理想情况下，我们希望AI能够接受更笼统的标注——例如一张影像中是否存在癌症或其他疾病指征，然后由模型自行找出最能说明问题的特征。而这，正是弱监督学习大显身手的领域。

弱监督学习是深度学习的一个分支，旨在通过更少、更粗略的标注来训练出性能良好的模型。这些标注大致分为三类：不完整、不精确和不准确。注意“大致”这个词，因为单个数据集中可能混合使用多种方法，弱监督标注的目的就是灵活应对各种组合情况。

不完整的标注：仅对数据集的一部分进行标注，其余部分留空。

不精确的标注：直接标注影像的整体结果，不细分特定区域。例如，仅判断“这张片子是否有癌变”，而不具体描绘出来。

不准确的标注：源于标注人员缺乏专业知识，或某些疾病指征本身模糊、不确定。

有趣的是，如果通过更粗放的标注就能产生不错的结果，那么“不精确的标注”实际上比另外两种更有价值。为什么？因为不精确的标注不容易出错——它不需要像其他方式那样详细到像素级，而且更容易获取。例如，直接从扫描报告中提取癌症分期信息，就能表明该影像含有癌症组织，省去了人工从三维影像中“抠出”癌变区域的麻烦。这些标注虽然“不精确”，但能让数据集获得更多可用标注，从而提升准确度。最关键的是，无需再花费大价钱雇佣顶尖专家去标注所有细枝末节。毕竟，给出二选一的答案，比详细描绘所有特征要容易得多，准确性也更高。

要在常见的医学影像应用（如检测和定位关键区域）中用好这种不精确标注，通常分两步进行：

构建主干模型——训练一个深度学习模型来预测不精确标注所描述的类别（例如“有癌”或“无癌”）。

对特定扫描影像进行预测时，使用像素属性方法（也称为显著性方法或可解释性方法）将模型决策的最相关区域突显出来。

以卷积神经网络作为主干模型

医疗领域影像数据丰富，因此将卷积神经网络（CNN）作为弱监督学习的基础框架，是最自然的选择。CNN的工作原理是：通过学习减少医学扫描影像中需要处理的像素量（通常将三维图像降维），再将剩余像素对应到类别标注。

在弱监督学习中，可以灵活组合多种方法。如果你的数据集足够大，能提供其他类似数据源所不具备的优势，那么可以从头训练新网络；如果数据集规模一般，则可以使用预训练网络进行迁移学习。例如ResNet50和VGG16，它们是用数百万张日常图片训练出来的——虽然未经过医学影像训练，但依然非常有用。因为在模型早期阶段，它们学到的卷积过滤器处理的是通用特征：线条、形状、纹理，这些特征对医学影像同样适用。

使用这些模型进行迁移学习很简单：去掉后期阶段的类别预测层，换上代表新医学影像任务所需类别的层，然后重新初始化即可。注意，模型的最终目标是输出突显相关物体和关注区域的图像，但第一步只需预测影像中是否存在这些区域。

弱监督定位中的AI可解释性

当深度学习主干模型训练完毕，能够准确预测出是否存在值得关注的类别后，下一步就是借助AI可解释性方法来分割关注区域。这些可解释性方法（也称像素属性方法）的核心是：弄清楚深度学习模型在做预测时，它在图像中看到了什么。输出结果通常是一张图（称为显著图），可以根据不同目标采用多种方法计算得出。

在这些方法中，基于梯度的显著图最为常用。操作上，先进行输出预测，再反向追踪构成该输出的所有神经元。根据方法不同，这种回溯可以一直追溯到第一个输入层（标准梯度方法），也可以停在较后的层，例如最后一个卷积层（GradCAM）。其他方法能实现不同效果：产生更平滑的关注区域、改善简单方法的局限性，或在所需特征周围进行更紧密的分割。

结语

就在几年前，要从医学影像中识别生物标志物，还需要依赖大量经过复杂标注的图像。但现在，弱监督学习这类技术大大降低了对数据标注完整性、精确性和准确性的要求，能够轻松揭示出过去需要耗费大量时间、借助高度专业知识才能发现的问题。它只需要容易实现的粗放标注（例如仅标注整张影像，而不细分关键区域），然后重新利用预训练好的CNN模型，再借助常见的可解释性方法将值得关注的区域突显出来。有了这些特性，就能将用医学影像数据训练出来的模型应用于各种场景，无需进行海量的像素级标注。这不仅节省时间和成本，还有可能发现临床医生此前未曾注意到的预测特征——最终提升诊断准确性，改善患者的治疗效果。