医学影像是临床疾病诊断、疗效评估、预后判断的核心工具，病灶检测作为医学影像分析的首要环节，其精度与效率直接决定了临床诊疗的质量。随着影像技术和人工智能技术的迭代，医学影像病灶检测方法已经经历了从传统规则驱动到数据驱动的深度学习的演化路径，适配不同场景的检测方案逐步落地应用。
一、传统病灶检测方法
传统检测方法多依赖人为设定的规则或人工设计的特征，在小范围特定场景下曾得到广泛应用：
其一为阈值分割法，核心逻辑是利用病灶与周围正常组织的灰度值差异，设置固定或动态的灰度阈值拆分影像区域，实现病灶提取。这类方法运算速度快、实现逻辑简单，早期多用于肺部CT钙化灶、泌尿系结石等高对比度病灶的检测，但对灰度差异小、边界模糊的病灶检出能力差，易受扫描伪影、噪声干扰出现误判。
其二为区域生长与模板匹配法，前者从人工或自动选定的病灶种子点出发，逐步合并灰度、纹理特征相似的相邻像素，最终勾勒出病灶范围，适合边界相对清晰的实体病灶检测，但种子点的选择会直接影响最终结果，鲁棒性不足；后者则基于已标注的标准病灶模板，遍历影像区域做相似度匹配，适配形态规则的病灶如眼底微动脉瘤、乳腺钙化簇的检测，但对形态变异大的病灶适配性差。
其三为基于特征工程的机器学习方法，由医学专家先手动提取影像的纹理、形态、灰度共生矩阵等定量特征，再输入支持向量机、随机森林等分类器判断区域是否为病灶，相比前两类方法精度有所提升，但特征设计高度依赖临床经验，无法覆盖复杂、罕见病灶的特征规律，泛化能力有限。
二、深度学习时代的病灶检测方法
随着标注医学影像数据的积累和算力的提升，基于深度学习的检测方法成为当前主流，可直接从原始影像中自动学习病灶特征，大幅提升了检测精度和泛化性：
一是两阶段检测方法，以Faster R-CNN、Mask R-CNN为代表，先通过区域生成网络筛选出可能存在病灶的候选区域，再对候选区域做分类、位置修正甚至轮廓分割，这类方法检测精度高，尤其适合小病灶、隐匿性病灶的检测，目前广泛用于肺部CT微小结节、脑部MRI微小转移灶的检测场景，其中Mask R-CNN还可同步输出病灶的分割轮廓，为后续的病灶体积测量、良恶性分级提供支撑，不足是检测速度相对较慢。
二是单阶段检测方法，以YOLO、SSD系列算法为代表，取消了候选区域生成步骤，可端到端直接输出病灶的位置和类别，检测速度是两阶段方法的3-5倍，适合急诊影像快速筛查、大规模人群早癌筛查等对时效要求高的场景，目前已落地的胸痛中心主动脉夹层快速检测系统、基层肺癌CT筛查系统多采用这类架构，缺点是对毫米级极小病灶的检出率略低于两阶段方法。
三是面向医学影像特性的定制化检测方法，包括基于Transformer的检测架构，借助自注意力机制捕捉长距离的影像上下文信息，对多发、分散的病灶如全身骨扫描的转移灶、脑部多发梗死灶的检测精度提升显著；半监督/弱监督检测方法可仅依靠影像级标签（无需标注病灶具体位置）完成模型训练，大幅降低了医学影像的标注成本，解决了罕见病病灶数据不足的痛点；多模态融合检测方法可同步整合CT、MRI、PET等不同模态的影像特征，进一步提升病灶的检出率和分型准确率。
三、发展趋势与挑战
当前医学影像病灶检测仍面临诸多待突破的难点：一是极小病灶、隐匿性病灶的漏检问题，部分毫米级病灶与正常组织特征高度相似，容易出现漏判；二是模型的域漂移问题，不同品牌、不同参数的扫描设备输出的影像存在特征差异，容易导致模型精度下降；三是模型可解释性不足，深度学习“黑盒”特性使得临床医生难以信任检测结果，目前已有研究通过热力图可视化、特征归因等方法，标注模型判断病灶的核心依据，匹配临床诊断逻辑。
未来，医学影像病灶检测方法将进一步向临床需求对齐，在早癌筛查、急重症快速诊断、罕见病辅助识别等场景发挥更大价值，成为临床医生的重要辅助工具，推动精准诊疗的普及落地。

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。