非小细胞肺癌为全球癌症发病率与死亡率最高的癌症之一，精准的预后模型可指导临床治疗方案。随着计算机技术的不断升级，深度学习作为人工智能的突破性技术在非小细胞肺癌预后模型应用中显示出良好性能与巨大潜力。深度学习在非小细胞肺癌生存及复发预测、疗效预测、远处转移预测、并发症预测中的应用研究已取得一定进展，并呈现出多组学、多模态联合的趋势，但仍有不足之处，未来仍应深入探索，加强模型验证，解决临床实际问题。
引用本文： 钟睿康, 李靖华, 林熙明, 方雪妮, 胡凯文, 周天. 深度学习在非小细胞肺癌预后模型中的应用进展. 中国胸心血管外科临床杂志, 2024, 31(9): 1345-1350. doi: 10.7507/1007-4848.202312004 复制
肺癌是全球癌症死亡的首要原因，也是最常见的新发癌症类型[1]，其中非小细胞肺癌（non-small cell lung cancer，NSCLC）占肺癌的80%～85%[2]。准确的预后分析有助于临床做出正确、适宜的治疗决策，提升临床疗效，延长患者的生存时间。目前，TNM分期系统是预后预测与治疗决策的通用指南，然而肺癌的高度异质性导致同一阶段的不同患者预后也不同[3]。因此，需要构建更精准的NSCLC患者预后模型，以协助临床医生制定更为有效且合适的治疗方案。
随着计算机科学与技术的不断进步，人工智能（artificial intelligence，AI）得到了巨大发展，并在医学领域展露头角[4]。而其重要分支深度学习的出现，更是为AI在图像处理方面的应用带来了突破性进展，逐渐受到研究者们的青睐，肺癌领域也不例外。虽然深度学习现已在肺癌预后分析中取得了一些成果，但有关深度学习肺癌预后模型的综述却相对较少，且多集中于网络构建、算法设计等计算机视角。本文将从不同的临床预后角度对深度学习在NSCLC预后模型中的应用研究进展做一简要综述。
1 深度学习概述
AI的核心是机器学习，通过应用数学和统计方法来提高计算机的性能，包括有监督或无监督方法。而深度学习是机器学习广义上的子领域，是一种基于神经网络的AI技术，使用含有多隐层感知器的仿真模型来模拟人脑，拥有多个非线性模块。典型的深度学习模型有深度神经网络（deep neural networks，DNN）、卷积神经网络（convolutional neural networks，CNN）、循环神经网络、自编码器、深度置信网络等。相较于传统的机器学习算法如逻辑回归、随机森林、决策树、支持向量机等，基于深度学习的模型具有更少的模型假设限制，以及更高的鲁棒性与适应性，能处理大量复杂、异构的数据，从而解决传统模型无法解决的问题[5-6]。另外，深度学习具有自动提取特征功能，这大大减少了手工提取特征的人力和物力。有文献[7-8]指出，手工提取的特征不如深度学习提取的特征有效，这使深度学习在处理大样本医学资料中的优势更加明显。
2 深度学习在非小细胞肺癌预后模型中的应用
近年来，深度学习凭借其强大的信息处理能力，在辅助肺癌精准诊疗的应用研究中发展迅速，研究热点主要集中在肺癌诊断、预测基因表型及基因突变、评估预后等。而在评估预后中，研究者们普遍关注生存及复发、治疗疗效、远处转移、并发症等，本文将从以上几个角度简要介绍深度学习在NSCLC预后模型中的应用研究进展以及存在的问题。
2.1 生存及复发预测
近年来，由于新治疗策略的普及，肺癌患者的2年相对生存率有所提高[9]，但5年相对生存率仍仅约23%[10]。虽然早期发现和治疗可以提高肺癌患者的生存率，但据既往研究[11]报道，恶性肿瘤手术切除后的肺癌复发率仍在30%～60%。因此，生存及复发预测依然是癌症预后模型的主流。
2.1.1 生存预测
总生存期（overall survival，OS）是肺癌尤其晚期肺癌最关注的结局指标。Chen等[12]纳入了来自4个分中心的484例NSCLC患者治疗前的胸部CT，以2年OS率为截点进行二分类，设计了A_CNN模型，最终模型内部测试准确率为88.8%，外部测试准确率为80.0%，可有效预测NSCLC患者的长、短期生存率。Lin等[13]基于ResNet-18架构从231例NSCLC患者术前CT中提取了
而当生存期延长使得难以将OS作为主要终点时，无进展生存期（progression-free survival，PFS）可作为重要的终点指标，尤其是在靶向治疗和免疫治疗中。Lu等[15]基于270例ⅢB～Ⅳ期表皮生长因子受体（epidermal growth factor receptor，EGFR）突变NSCLC患者的CT影像组学和临床特征，提出了用于EGFR-酪氨酸激酶抑制剂（EGFR-tyrosine kinase inhibitor，EGFR-TKI）治疗进展风险分层的深度学习生存神经网络（DeepSurv）模型。结果显示个性化PFS曲线在良好（PFS>中位数）和较差（PFS<中位数）组间有显著差异（P<0.003），有助于对肿瘤进展做出准确、个体化预测，改善EGFR突变NSCLC患者EGFR-TKI治疗前的个性化管理。Deng等[16]回顾性纳入570例接受EGFR-TKI治疗以及
2.1.2 复发预测
复发预测主要关注无复发生存期（recurrence-free survival，RFS）与无病生存期（disease-free survival，DFS）。在文献中，两者常混淆。Lu等[18]回顾性收集
除影像图像外，病理图像能够捕获高分辨率的组织学细节，包含众多肿瘤微观信息，亦为肿瘤的变化、进展提供了重要见解。目测检查是目前病理图像的主要评估方法，但人工阅片具有效率低、易忽视微观细节、易出现主观误差等缺点。而深度学习凭借强大的图片处理能力与信息承载能力，使我们看到了基于病理组学的深度学习预后模型的潜力。Wang等[21]开发了基于Mask-RCNN架构的深度学习工具，对标准苏木精和伊红染色的LUAD病理图像进行自动分割、识别和分类，提取出48个描述肿瘤微环境（tumor microenvironment，TME）的细胞空间组织特征。研究团队利用这些特征集中开发了一个预后模型，并在癌症基因组图谱（The Cancer Genome Atlas，TCGA）库中验证了该模型，其预测的高危组比低危组显示出明显更差的OS，图像衍生的TME特征也与生物通路的基因表达显著相关。Guo等[22]分析了作为内部队列的121例NSCLC患者的1 859张肿瘤微阵列上的10个免疫检查点，以及作为外部队列的30例NSCLC患者的214张全切片免疫组织化学（immunohistochemistry，IHC）检测。使用EfficientUnet分割肿瘤细胞和肿瘤浸润淋巴细胞，使用ResNet从IHC图像中提取预后特征。通过多变量LASSO-Cox回归得到IC-Score和Res-Score两个预测模型。结果显示，结合IC-Score、Res-Score和临床特征建立的综合评分对OS和RFS的预测性能最高，受试者工作特征曲线下面积（area under the receiver operating characteristic curve，AUC）在内部测试队列中可分别达0.9和0.85。
2.2 疗效预测
在治疗效果评价中，实体瘤疗效评价标准（Response Evaluation Criteria in Solid Tumours，RECIST）[23]仍是目前NSCLC最常用的评判标准，尤其在新型治疗方式或新药的临床试验中。Li等[24]纳入了289例接受过免疫治疗的肺鳞状细胞癌（鳞癌）患者，通过神经网络筛选各项临床变量，分别以疾病控制率（disease control rate，DCR）与客观缓解率（objective response rate，ORR）为结局指标建立预测模型。结果显示，DCR模型内部验证的AUC为
2.3 远处转移预测
远处转移是肺癌后期主要的特异性事件，肺癌易转移至肝、脑、骨及肾上腺，而肺癌转移相关死亡占全部肺癌死亡的90%[26]。预测肿瘤特异性转移的可能性，并对患者进行危险分层，可对高危肺癌患者进行有针对性的干预。
此前已有学者[27-28]运用传统机器学习方法通过影像学特征预测NSCLC远处转移，但预测能力普遍有限。随后学者们也尝试使用深度学习方法改善预测结果，Tau等[29]纳入了264例NSCLC患者的PET/CT，并进行了至少6个月的随访，采用CNN DenseNet机器学习架构建立二分类模型，预测患者治疗前后的M0/M1分类。对于治疗前M分类预测，平均准确率达0.82±0.04，但对于治疗结束时M分类预测，平均准确率仍较低，仅为0.63±0.05。Xu等[30]采用时间序列模型，纳入268例接受根治性放化疗的Ⅲ期NSCLC患者治疗前和治疗后1、3和6个月随访时的胸部CT图像，使用CNN和循环神经网络的迁移学习开发模型预测患者预后，发现其可较好地预测生存率（AUC=0.74），但远处转移预测性能仍较低（AUC=0.657）。深度学习基于影像组学预测远处转移的效果平平，可能与影像学拍摄受部位、体位和分辨率限制有关，提供的信息有限，无法完整体现人体整体状态从而预测全身性转移。
大量研究[31-33]表明，肿瘤细胞的增殖、侵袭、转移、免疫逃逸、血管生成等生物学特性受TME的调控与基因表达变化的影响，因此研究者也十分关注基于基因组学的分析。Albaradei等[34]运用卷积变分自编码器，对19例LUAD患者的RNA测序、microRNA测序和DNA甲基化数据进行特征提取，建立了一种基于3个异构数据层来区分转移状态的深度学习模型，准确率达83.83%±0.44%，AUC达0.91。Liu等[35]进一步探索了来自461个LUAD样本的
2.4 并发症预测
NSCLC患者治疗后出现并发症的几率并不一致，如果能早期判断并发症的风险及相关因素，可据此对患者进行危险分层，并指导后期干预与护理。癌症患者比普通人群有更高的心血管疾病（cardiovascular disease，CVD）死亡风险[36]。Chao等[37]开发的深度学习CVD风险预测模型使用来自全国肺癌筛查试验的
放射性肺炎（radiation pneumonitis，RP）是胸部放疗的主要不良反应之一。Liang等[38]采用3D CNN构建基于剂量分布的RP预测模型，将剂量分布作为预测模型的输入，经验证预测模型AUC可达0.842，并通过引导梯度加权类激活图显示出与≥2级和＜2级RP病例呈强相关的区域分别为对侧肺低剂量区和同侧肺高剂量区。Cui等[39]则基于精算深度学习神经网络架构联合PET/CT、细胞因子、miRNA在内的多组学数据建立模型预测NSCLC患者放疗后RP风险，结果表明联合深度学习模型预测性能优于传统的layman模型（C-index：0.660 vs. 0.613）。
癌性疼痛在肺癌尤其晚期阶段十分常见。Bang等[40]使用马修斯相关系数研究了不同输入长度和时间分箱的深度学习模型预测肺癌住院患者癌性疼痛加重的性能。最终基于长短期记忆的模型表现最佳，并在120 h的输入长度和12 h的时间间隔下取得了最佳的性能（AUC=0.808），表明使用深度学习进行超前癌性疼痛管理可以潜在地改善患者的日常生活。
3 总结与展望
总之，深度学习在NSCLC的各类预后模型中应用越来越广泛，也展现出其在图像自动分割、特征提取与筛选、多元化数据处理中的优势。目前，深度学习在NSCLC预后模型中的应用仍以临床特征及影像组学特征为主，但也逐渐展示出其在基因组学、病理组学上的应用潜力以及与多组学、多模态联合的趋势。但目前基于深度学习的NSCLC预后模型还存在一些不足与局限性。
第一，深度学习需要大样本量的数据支撑，其在民用领域的自然图片数要求通常以数十万、甚至百万计。如最大的公开人脸图像数据集之一CelebA包含超过20万人的图像；2020年谷歌AI发布的开源3D物体数据集Objectron，包含了
第二，深度学习的端到端特性遮蔽了模型中的数据处理过程，缺乏可解释性，因此被称为“黑盒”。尽管目前已提出一些方法如反卷积技术[42]、类别激活映射[43]对深度学习提取的特征进行可视化分析，但仍不能完全代表深度学习特征的内涵并对其进行临床解释，在基于深度学习的预后模型投入到临床使用之前，还应考虑法律责任和患者安全的问题。
第三，由于缺乏共识，研究者们通常无法客观地确定开发的模型架构是否为最佳案例。而由于数据来源不同，种族、性别、年龄、疾病严重程度和采集设备参数等情况不同，所得出的算法差异也较大，因此，还需要就指导方法建立国际共识，并开展国际多中心大样本研究以验证模型的准确性。
第四，深度学习算法的复杂度意味着较高的硬件设备要求和计算机专业知识要求，这使得深度学习应用于临床领域研究与实践具有较高的门槛。因此，一方面需加强计算机人才与专业医师的沟通交流，进行高质量的医工合作；一方面应完善神经网络架构，优化算法，开展多点分布式计算或云计算等方法缓解图形处理器压力，减少计算成本，推动深度学习在医学领域的广泛应用与技术下沉。
利益冲突：无。
作者贡献：钟睿康负责撰写论文；李靖华、林熙明协助查阅文献，整理文章大纲；方雪妮协助文章撰写与格式修订；周天和胡凯文负责设计、审阅、修改论文。
肺癌是全球癌症死亡的首要原因，也是最常见的新发癌症类型[1]，其中非小细胞肺癌（non-small cell lung cancer，NSCLC）占肺癌的80%～85%[2]。准确的预后分析有助于临床做出正确、适宜的治疗决策，提升临床疗效，延长患者的生存时间。目前，TNM分期系统是预后预测与治疗决策的通用指南，然而肺癌的高度异质性导致同一阶段的不同患者预后也不同[3]。因此，需要构建更精准的NSCLC患者预后模型，以协助临床医生制定更为有效且合适的治疗方案。
随着计算机科学与技术的不断进步，人工智能（artificial intelligence，AI）得到了巨大发展，并在医学领域展露头角[4]。而其重要分支深度学习的出现，更是为AI在图像处理方面的应用带来了突破性进展，逐渐受到研究者们的青睐，肺癌领域也不例外。虽然深度学习现已在肺癌预后分析中取得了一些成果，但有关深度学习肺癌预后模型的综述却相对较少，且多集中于网络构建、算法设计等计算机视角。本文将从不同的临床预后角度对深度学习在NSCLC预后模型中的应用研究进展做一简要综述。
1 深度学习概述
AI的核心是机器学习，通过应用数学和统计方法来提高计算机的性能，包括有监督或无监督方法。而深度学习是机器学习广义上的子领域，是一种基于神经网络的AI技术，使用含有多隐层感知器的仿真模型来模拟人脑，拥有多个非线性模块。典型的深度学习模型有深度神经网络（deep neural networks，DNN）、卷积神经网络（convolutional neural networks，CNN）、循环神经网络、自编码器、深度置信网络等。相较于传统的机器学习算法如逻辑回归、随机森林、决策树、支持向量机等，基于深度学习的模型具有更少的模型假设限制，以及更高的鲁棒性与适应性，能处理大量复杂、异构的数据，从而解决传统模型无法解决的问题[5-6]。另外，深度学习具有自动提取特征功能，这大大减少了手工提取特征的人力和物力。有文献[7-8]指出，手工提取的特征不如深度学习提取的特征有效，这使深度学习在处理大样本医学资料中的优势更加明显。
2 深度学习在非小细胞肺癌预后模型中的应用
近年来，深度学习凭借其强大的信息处理能力，在辅助肺癌精准诊疗的应用研究中发展迅速，研究热点主要集中在肺癌诊断、预测基因表型及基因突变、评估预后等。而在评估预后中，研究者们普遍关注生存及复发、治疗疗效、远处转移、并发症等，本文将从以上几个角度简要介绍深度学习在NSCLC预后模型中的应用研究进展以及存在的问题。
2.1 生存及复发预测
近年来，由于新治疗策略的普及，肺癌患者的2年相对生存率有所提高[9]，但5年相对生存率仍仅约23%[10]。虽然早期发现和治疗可以提高肺癌患者的生存率，但据既往研究[11]报道，恶性肿瘤手术切除后的肺癌复发率仍在30%～60%。因此，生存及复发预测依然是癌症预后模型的主流。
2.1.1 生存预测
总生存期（overall survival，OS）是肺癌尤其晚期肺癌最关注的结局指标。Chen等[12]纳入了来自4个分中心的484例NSCLC患者治疗前的胸部CT，以2年OS率为截点进行二分类，设计了A_CNN模型，最终模型内部测试准确率为88.8%，外部测试准确率为80.0%，可有效预测NSCLC患者的长、短期生存率。Lin等[13]基于ResNet-18架构从231例NSCLC患者术前CT中提取了
而当生存期延长使得难以将OS作为主要终点时，无进展生存期（progression-free survival，PFS）可作为重要的终点指标，尤其是在靶向治疗和免疫治疗中。Lu等[15]基于270例ⅢB～Ⅳ期表皮生长因子受体（epidermal growth factor receptor，EGFR）突变NSCLC患者的CT影像组学和临床特征，提出了用于EGFR-酪氨酸激酶抑制剂（EGFR-tyrosine kinase inhibitor，EGFR-TKI）治疗进展风险分层的深度学习生存神经网络（DeepSurv）模型。结果显示个性化PFS曲线在良好（PFS>中位数）和较差（PFS<中位数）组间有显著差异（P<0.003），有助于对肿瘤进展做出准确、个体化预测，改善EGFR突变NSCLC患者EGFR-TKI治疗前的个性化管理。Deng等[16]回顾性纳入570例接受EGFR-TKI治疗以及
2.1.2 复发预测
复发预测主要关注无复发生存期（recurrence-free survival，RFS）与无病生存期（disease-free survival，DFS）。在文献中，两者常混淆。Lu等[18]回顾性收集
除影像图像外，病理图像能够捕获高分辨率的组织学细节，包含众多肿瘤微观信息，亦为肿瘤的变化、进展提供了重要见解。目测检查是目前病理图像的主要评估方法，但人工阅片具有效率低、易忽视微观细节、易出现主观误差等缺点。而深度学习凭借强大的图片处理能力与信息承载能力，使我们看到了基于病理组学的深度学习预后模型的潜力。Wang等[21]开发了基于Mask-RCNN架构的深度学习工具，对标准苏木精和伊红染色的LUAD病理图像进行自动分割、识别和分类，提取出48个描述肿瘤微环境（tumor microenvironment，TME）的细胞空间组织特征。研究团队利用这些特征集中开发了一个预后模型，并在癌症基因组图谱（The Cancer Genome Atlas，TCGA）库中验证了该模型，其预测的高危组比低危组显示出明显更差的OS，图像衍生的TME特征也与生物通路的基因表达显著相关。Guo等[22]分析了作为内部队列的121例NSCLC患者的1 859张肿瘤微阵列上的10个免疫检查点，以及作为外部队列的30例NSCLC患者的214张全切片免疫组织化学（immunohistochemistry，IHC）检测。使用EfficientUnet分割肿瘤细胞和肿瘤浸润淋巴细胞，使用ResNet从IHC图像中提取预后特征。通过多变量LASSO-Cox回归得到IC-Score和Res-Score两个预测模型。结果显示，结合IC-Score、Res-Score和临床特征建立的综合评分对OS和RFS的预测性能最高，受试者工作特征曲线下面积（area under the receiver operating characteristic curve，AUC）在内部测试队列中可分别达0.9和0.85。
2.2 疗效预测
在治疗效果评价中，实体瘤疗效评价标准（Response Evaluation Criteria in Solid Tumours，RECIST）[23]仍是目前NSCLC最常用的评判标准，尤其在新型治疗方式或新药的临床试验中。Li等[24]纳入了289例接受过免疫治疗的肺鳞状细胞癌（鳞癌）患者，通过神经网络筛选各项临床变量，分别以疾病控制率（disease control rate，DCR）与客观缓解率（objective response rate，ORR）为结局指标建立预测模型。结果显示，DCR模型内部验证的AUC为
2.3 远处转移预测
远处转移是肺癌后期主要的特异性事件，肺癌易转移至肝、脑、骨及肾上腺，而肺癌转移相关死亡占全部肺癌死亡的90%[26]。预测肿瘤特异性转移的可能性，并对患者进行危险分层，可对高危肺癌患者进行有针对性的干预。
此前已有学者[27-28]运用传统机器学习方法通过影像学特征预测NSCLC远处转移，但预测能力普遍有限。随后学者们也尝试使用深度学习方法改善预测结果，Tau等[29]纳入了264例NSCLC患者的PET/CT，并进行了至少6个月的随访，采用CNN DenseNet机器学习架构建立二分类模型，预测患者治疗前后的M0/M1分类。对于治疗前M分类预测，平均准确率达0.82±0.04，但对于治疗结束时M分类预测，平均准确率仍较低，仅为0.63±0.05。Xu等[30]采用时间序列模型，纳入268例接受根治性放化疗的Ⅲ期NSCLC患者治疗前和治疗后1、3和6个月随访时的胸部CT图像，使用CNN和循环神经网络的迁移学习开发模型预测患者预后，发现其可较好地预测生存率（AUC=0.74），但远处转移预测性能仍较低（AUC=0.657）。深度学习基于影像组学预测远处转移的效果平平，可能与影像学拍摄受部位、体位和分辨率限制有关，提供的信息有限，无法完整体现人体整体状态从而预测全身性转移。
大量研究[31-33]表明，肿瘤细胞的增殖、侵袭、转移、免疫逃逸、血管生成等生物学特性受TME的调控与基因表达变化的影响，因此研究者也十分关注基于基因组学的分析。Albaradei等[34]运用卷积变分自编码器，对19例LUAD患者的RNA测序、microRNA测序和DNA甲基化数据进行特征提取，建立了一种基于3个异构数据层来区分转移状态的深度学习模型，准确率达83.83%±0.44%，AUC达0.91。Liu等[35]进一步探索了来自461个LUAD样本的
2.4 并发症预测
NSCLC患者治疗后出现并发症的几率并不一致，如果能早期判断并发症的风险及相关因素，可据此对患者进行危险分层，并指导后期干预与护理。癌症患者比普通人群有更高的心血管疾病（cardiovascular disease，CVD）死亡风险[36]。Chao等[37]开发的深度学习CVD风险预测模型使用来自全国肺癌筛查试验的
放射性肺炎（radiation pneumonitis，RP）是胸部放疗的主要不良反应之一。Liang等[38]采用3D CNN构建基于剂量分布的RP预测模型，将剂量分布作为预测模型的输入，经验证预测模型AUC可达0.842，并通过引导梯度加权类激活图显示出与≥2级和＜2级RP病例呈强相关的区域分别为对侧肺低剂量区和同侧肺高剂量区。Cui等[39]则基于精算深度学习神经网络架构联合PET/CT、细胞因子、miRNA在内的多组学数据建立模型预测NSCLC患者放疗后RP风险，结果表明联合深度学习模型预测性能优于传统的layman模型（C-index：0.660 vs. 0.613）。
癌性疼痛在肺癌尤其晚期阶段十分常见。Bang等[40]使用马修斯相关系数研究了不同输入长度和时间分箱的深度学习模型预测肺癌住院患者癌性疼痛加重的性能。最终基于长短期记忆的模型表现最佳，并在120 h的输入长度和12 h的时间间隔下取得了最佳的性能（AUC=0.808），表明使用深度学习进行超前癌性疼痛管理可以潜在地改善患者的日常生活。
3 总结与展望
总之，深度学习在NSCLC的各类预后模型中应用越来越广泛，也展现出其在图像自动分割、特征提取与筛选、多元化数据处理中的优势。目前，深度学习在NSCLC预后模型中的应用仍以临床特征及影像组学特征为主，但也逐渐展示出其在基因组学、病理组学上的应用潜力以及与多组学、多模态联合的趋势。但目前基于深度学习的NSCLC预后模型还存在一些不足与局限性。
第一，深度学习需要大样本量的数据支撑，其在民用领域的自然图片数要求通常以数十万、甚至百万计。如最大的公开人脸图像数据集之一CelebA包含超过20万人的图像；2020年谷歌AI发布的开源3D物体数据集Objectron，包含了
第二，深度学习的端到端特性遮蔽了模型中的数据处理过程，缺乏可解释性，因此被称为“黑盒”。尽管目前已提出一些方法如反卷积技术[42]、类别激活映射[43]对深度学习提取的特征进行可视化分析，但仍不能完全代表深度学习特征的内涵并对其进行临床解释，在基于深度学习的预后模型投入到临床使用之前，还应考虑法律责任和患者安全的问题。
第三，由于缺乏共识，研究者们通常无法客观地确定开发的模型架构是否为最佳案例。而由于数据来源不同，种族、性别、年龄、疾病严重程度和采集设备参数等情况不同，所得出的算法差异也较大，因此，还需要就指导方法建立国际共识，并开展国际多中心大样本研究以验证模型的准确性。
第四，深度学习算法的复杂度意味着较高的硬件设备要求和计算机专业知识要求，这使得深度学习应用于临床领域研究与实践具有较高的门槛。因此，一方面需加强计算机人才与专业医师的沟通交流，进行高质量的医工合作；一方面应完善神经网络架构，优化算法，开展多点分布式计算或云计算等方法缓解图形处理器压力，减少计算成本，推动深度学习在医学领域的广泛应用与技术下沉。
利益冲突：无。
作者贡献：钟睿康负责撰写论文；李靖华、林熙明协助查阅文献，整理文章大纲；方雪妮协助文章撰写与格式修订；周天和胡凯文负责设计、审阅、修改论文。