医学影像是临床疾病筛查、诊断、预后评估的核心工具，近年来人工智能与医学影像的融合不断深入，各类分析模型层出不穷，按照技术脉络和适用场景划分，主流的医学影像模型主要分为以下几类：
一、传统机器学习驱动的经典影像分析模型
这类模型是人工智能在医学影像领域早期应用的核心载体，依赖人工设计的影像特征（如灰度特征、纹理特征、形态学特征等）完成分析任务。其中应用最广的包括支持向量机（SVM），常被用于肺结节良恶性分类、乳腺钼靶病灶判别等小样本分类场景，在标注数据量有限时表现稳定；随机森林、梯度提升树等集成学习模型，适合融合影像特征与临床指标完成肿瘤复发风险预测、慢性病进展评估等任务；K近邻、朴素贝叶斯等轻量模型则多用于低算力设备的快速初筛场景。目前传统模型多作为深度学习模型的补充，与后者搭配形成集成分析框架，进一步提升预测稳定性。
二、深度学习驱动的通用医学影像模型
这类模型依托神经网络自动提取影像特征，无需人工设计特征规则，是当前医学影像分析的主流技术路径，主要分为三个细分方向：
1. 卷积神经网络（CNN）类模型
CNN是医学影像领域应用最成熟的深度学习模型，其中U-Net系列是医学影像分割任务的标杆算法，衍生出的2D U-Net、3D U-Net、注意力U-Net等变体，被广泛用于器官自动勾画、肿瘤边界分割、眼底血管识别等场景，是放疗靶区自动规划、眼科辅助诊断系统的核心组件。ResNet、DenseNet等分类类CNN模型多用于胸片肺炎筛查、CT脑出血分型、病理切片良恶性判别等分类任务；YOLO、Faster R-CNN等检测类CNN模型则具备高实时性，适合胃肠镜息肉实时检测、超声病灶快速定位等动态影像场景。
2. Transformer类模型
基于自注意力机制的Transformer系列模型解决了CNN难以捕捉长距离特征关联的缺陷，近年来在医学影像领域快速落地。其中Swin Transformer凭借分层注意力设计，成为多个医学影像算法竞赛的SOTA（最优性能）基准模型，尤其适合全切片病理影像、全身PET-CT等大尺寸影像的分析任务；专门针对医学数据预训练的MedViT、Medical Transformer等垂类变体，在小样本医学影像数据集上的泛化性显著优于通用模型；多模态Transformer还可同时融合影像数据与病历、检验结果等文本信息，可实现影像报告自动生成、跨模态病例检索等复杂功能。
3. 生成式医学影像模型
生成类模型是近年来医学影像领域的研究热点，其中生成对抗网络（GAN）最早被用于医学影像数据增强，生成大量标注样本解决医学影像标注不足的痛点，还可实现低剂量CT超分辨率重建、MRI与CT模态转换等功能，降低患者的辐射暴露风险。扩散模型凭借更稳定的生成效果，逐步取代GAN成为主流生成模型，可生成高保真的虚拟医学影像用于模型训练，还可实现病灶区域模拟修复，为医生提供病灶对照参考。
三、垂类场景专用医学影像模型
这类模型针对特定影像模态的特点定制开发，适配临床专属需求：比如病理影像专用模型，依托TCGA等大规模病理数据集预训练，可直接实现肿瘤分子分型、基因突变预测等功能，无需大量额外标注；放射影像专用模型针对CT、MRI多序列特征优化，可实现脑卒中超早期病灶识别、心功能自动量化评估等任务；介入影像专用模型针对DSA动态影像特点设计，可在手术中实时完成血管识别、器械定位，辅助介入手术导航；超声影像专用模型结合时序神经网络优化，可适配动态超声序列的特征提取，用于胎儿超声排畸、心脏超声功能自动评估等场景。

未来医学影像模型正朝着小样本学习、可解释性提升、多模态融合的方向不断迭代，将进一步覆盖更多临床场景，助力提升诊断效率与诊疗公平性。

本文由AI大模型（Doubao-Seed-1.6）结合行业知识与创新视角深度思考后创作。