2026年11月1日下午2点，长沙理工大学金盆岭校区六教305室举行了一场题为《医学影像智能分析与应用》的通识讲座。讲座由计算机学院邹子威博士主讲，围绕“人工智能如何读懂医学影像”这一主题，系统介绍医学影像智能分析的基本任务、深度学习方法与临床应用，并结合PET/CT肿瘤分割研究案例，带领同学们了解医学影像从数据处理到临床转化的完整链条。

讲座首先从CT、MRI、超声等常见医学影像入手，介绍不同成像方式的数据特点，指出医学影像并非普通照片，而是具有特定成像机制、空间结构和医学含义的数据。以CT图像为例，邹子威博士讲解了亨氏单位、窗宽窗位以及像素、体素等基础概念，并结合图像分类、目标检测、病灶分割和图像重建四类核心任务，说明不同任务对应的模型输出与评价目标。

在讲解技术原理时，邹子威博士从传统机器学习与深度学习的区别入手，介绍深度学习通过端到端表示学习从影像数据中提取任务相关特征的基本思路，并结合CNN卷积操作、U-Net编码器—解码器结构，以及ResNet、Transformer等常见网络架构，阐释不同模型在特征提取、病灶分割和全局关系建模中的作用。同时，他梳理了从DICOM数据读取与脱敏、方向与间距统一、灰度处理、归一化，到裁剪重采样、数据增强等预处理环节，并介绍影像采集、专家标注、模型训练、独立验证和模型推理构成的完整工作流程。

围绕医学影像模型如何评价及其能否可靠应用的问题，邹子威博士进一步介绍了训练集、验证集和测试集的划分方式，以及交叉熵、Dice损失等损失函数和灵敏度、特异度和Dice等评价指标。他指出，模型可能受到过拟合、类别不平衡、标注差异，以及不同医院设备、扫描协议和人群差异等因素影响，单一数据集上的高准确率并不意味着临床可靠。为此，需要通过患者级数据划分、独立测试、跨机构外部验证和错误分析检验模型的泛化能力；并结合类激活图等可解释性方法，说明模型关注区域可为分析模型行为提供参考，但不能直接替代临床诊断依据。

在研究案例分享环节，邹子威博士重点介绍了两项PET/CT多模态肿瘤分割研究。第一项研究提出WaveEdge-Net，针对全局语义、局部纹理与肿瘤边界难以协同建模的问题，融合全局与局部小波注意、跨模态交互增强注意和边缘感知增强等模块，强化PET与CT信息交互及肿瘤边界刻画。第二项研究提出DMM-Net，面向临床数据中CT或PET模态缺失的情况，利用条件扩散模型估计缺失模态分布，并结合Mamba开展跨模态空间与通道交互分割，以应对不完整多模态输入带来的挑战。报告还结合STS、HECKTOR 2022等数据集，展示了相关研究的实验验证与分割可视化结果。

讲座最后，邹子威博士将讨论延伸至医学影像AI的临床转化，介绍AI分析与影像系统、医生工作站及临床决策流程的衔接，并围绕隐私保护、数据代表性与公平性、人工复核、责任分工和持续性能监测等问题，阐明模型可靠使用的边界。他强调，模型在某一数据集上表现良好，并不意味着能够直接适用于所有医院、人群和临床场景；人工智能的目标不是简单替代医生，而是提供经过验证、可由专业人员审查的辅助信息。

在互动交流环节，邹子威博士与现场同学围绕医学影像AI的实际应用、模型训练中的数据质量与标注难点，以及人工智能辅助诊断的可靠性等问题进行了交流。他结合报告中的影像示例和PET/CT肿瘤分割研究案例，对同学们提出的疑问作了耐心解答，并就医学影像智能分析的研究思路与应用前景进行了分享，现场交流气氛积极。

（文/邹子威 图/邹子威 一审/金帅 二审/张建明 三审/刘朝辉）