面向领域与用户的医学影像分析机器学习

医学影像的解读正面临一个结构性矛盾：影像检查的使用量在美国和全球范围内稳步增长，而受过训练的工作人员却出现短缺，结果是放射科医生承担着不断增加且不可持续的工作量。这份 2023 年 6 月提交给 MIT 的博士论文，正是从这一临床现实出发，追问机器学习能否、以及如何才能可靠地接手分析并解读医学影像这类认知负担较重的任务。作者 Katharina Viktoria Hoebel 的立场并不是简单地宣称算法有效，而是指出：尽管学界对 ML 算法热情很高，但关于它们是否已准备好进入临床部署的疑虑，正在阻碍其临床转化。论文的核心工作，就是逐一处理这些阻碍转化的具体挑战。对于关心医学影像 AI 从论文走向临床的人来说，这份资料的价值在于它把「能不能用」拆成了可以分别回答的几个问题。

论文由哈佛-MIT 健康科学与技术项目（Harvard-MIT Program in Health Sciences and Technology）提交，属于医学工程与医学物理方向的哲学博士研究，导师为 Jayashree Kalpathy-Cramer。作者本人的背景是基尔大学理学学士（2016）与海德堡大学医学博士（2017），这种医学与工程训练的结合，也体现在论文的取向上：它不停留在模型结构的比较，而是围绕临床部署的实际条件组织研究。论文明确界定自己处理三个翻译环节上的根本挑战。第一是鲁棒性，即算法在常规临床环境中能否稳定工作；第二是网络设计是否与具体任务相匹配；第三是性能评价方式是否具有临床意义。这三条构成全文的骨架，也解释了标题中 domain 与 user-centered 两个限定词的由来。

在第一个挑战上，论文以脑部 MRI 为对象，展示恰当的图像预处理如何提高手工设计的 radiomic 特征（hand-crafted radiomic features）的稳定性。这里的关键判断是：算法在真实临床流程中的表现，很大程度上取决于输入数据进入模型之前发生了什么，而不是只取决于模型本身。第二个挑战涉及疾病严重程度的建模方式。论文主张从严格离散的（定序的）疾病严重程度分布模型，转向连续取值的模型，并提出一个广义框架，用于找回因把连续变量离散化为训练标签而损失的信息。这一部分还处理了标注者之间的一致性问题：不同标注者给出的标签存在分歧，可能源于各自不同的判定阈值。据此，论文首次设计并演示了两种方法，使标注者的定序分类与其个体偏差能够针对一个潜在的、连续取值的靶变量（例如疾病严重程度）进行联合学习。换句话说，模型不再把标注分歧当作需要消除的噪声，而是把它当作关于标注者判断方式的信息来建模。

第三个挑战关于评价。论文指出临床专家的主观质量感受与通常用来评估性能的指标之间存在脱节，并进一步识别出专家在评判自动生成的分割结果时所使用的标准，同时描述了他们在修正这些分割时的思考过程。这部分工作的意义在于，它把「模型好不好」这个笼统问题，转换为「专家实际在看什么、依据什么做修正」这样可观察的问题。基于上述三方面的工作，论文在结尾给出了面向医学影像、开发鲁棒且可信赖的 ML 工具的具体建议。需要说明的是，这些建议是在作者自身研究的基础上提出的，材料并未给出跨机构验证或前瞻性临床试验的结果。

把这些发现放在一起看，其含义是清楚的：医学影像 ML 的临床转化瓶颈，较少落在算法能否从大量数据中自动识别细微模式这一点上，更多落在数据预处理、标签建模与评价方式这些「外围」环节。这里的解读是，论文实际上把鲁棒性、任务匹配与临床可解释的评价视为同等重要的工程问题，而不是模型性能的附属品。对于放射科工作量的压力，论文的表述是 ML 与 DL 可以提供潜在解决方案，并能增强临床决策；它没有承诺替代放射科医生，也没有给出工作量下降的量化预测。实践上的启示偏向流程层面：在部署前认真设计预处理管线，在选择标签体系时考虑连续性信息是否会因离散化而丢失，在验收模型时使用与临床专家判断相衔接的评价方式。

这份资料适合正在做医学影像算法、或负责把这类算法引入临床流程的读者，也适合关注标注质量与评价方法的研究者。读完可以拿走的是一套问题清单：预处理是否被当作稳定性的一部分、标签的离散化是否损失了信息、标注者偏差是否被显式建模、评价指标是否与专家判断对得上。边界也需要点明：论文的研究载体是脑部 MRI 的 radiomic 特征与分割任务，材料中没有给出多中心外部验证、样本规模或部署后的临床结局数据；结尾的建议属于基于作者工作的归纳，而非经过独立验证的指南。若期待的是某种具体算法的性能榜单，这份资料并不提供；它提供的是一条把临床需求转成工程约束的思路。

Domain and User-Centered Machine Learning for Medical Image Analysis by Katharina Viktoria Hoebel B.S., Kiel University (2016) M.D., Heidelberg University (2017) Submitted to the Harvard-MIT Program in Health Sciences and Technology in partial fulfillment of the requirements for the degree of Doctor of Philosophy in Medical Engineering and Medical Physics at the MASSACHUSETTS INSTITUTE OF TECHNOLOGY June 2023 © Katharina Viktoria Hoebel, MMXXIII. All rights reserved. The author hereby grants to MIT permission to reproduce and to distribute publicly paper and electronic copies of this thesis document in whole or in part in any medium now known or hereafter created. Authored by....................................................................... Katharina Viktoria Hoebel Harvard-MIT Program in Health Sciences and Technology February 15, 2023