计算与人工智能应用新医科版课件 第7章 深度学习与医学应用

第7章深度学习与医学应用计算与人工智能应用（新医科版）深度学习的基本概念第1节深度学习的工作原理第2节深度学习的应用第3节实验：乳腺癌组织图像识别第4节学习目标知识1•掌握深度学习的定义及其与机器学习的关系•掌握深度学习核心模型的基本结构•了解深度学习在医学领域的典型应用技能2•能区分CNN、RNN、GAN等模型用途•能说明深度学习在医学影像、文本、音频中的应用素质3•树立人工智能辅助医学诊疗的意识•理解医学场景中数据安全、准确性与可解释性的重要性导入场景：某基层医院放射科，每天需阅读数百张肺部CT，人工查找微小肺结节，漏诊率可达20%-30%。问题：如何让计算机自动、快速、准确地标记可疑病灶？传统方法：医生总结规则，但个体差异大、规则难以穷尽。深度学习思路：直接输入大量已标注的CT图像，让模型自己从像素中学会识别结节，准确率可达95%以上。第1节深度学习的基本概念7.1.1深度学习的定义（一）核心定义深度学习是机器学习的一个重要子集，专注于通过多层非线性变换对数据进行抽象和理解。（二）技术路径通过构建包含多个隐藏层的深度神经网络，使模型能够直接从海量的原始数据中，自动学习并提取出具有层次化、抽象化的特征表示。（三）关键优势打破了传统机器学习的局限，无需人工手动设计复杂的特征提取规则，极大降低了特征工程的门槛与成本。（四）适用场景在处理图像识别、自然语言处理、语音识别等非结构化数据任务时，展现出远超传统算法的性能优势。7.1.1深度学习的定义1957罗森布拉特提出感知机模型：开启神经网络研究序幕，首个具备学习能力的人工神经网络1986AlexNet夺得ImageNet竞赛冠军：深度学习里程碑，性能大幅超越传统方法，开启爆发时代1998LeNet-5卷积神经网络诞生：经典CNN架构，奠定现代图像识别的技术基础2016AlphaGo击败李世石：深度学习在复杂决策领域突破，引发全球人工智能热潮2012反向传播算法复兴：解决多层神经网络训练难题，让沉寂多年的神经网络研究重启（五）深度学习的发展历程7.1.1深度学习的定义ChatGPT正式发布:大语言模型爆发式发展，标志通用人工智能进入新阶段20227.1.2深度学习与机器学习的区别和联系深度学习并非独立于机器学习的全新领域，而是机器学习的一个重要分支，也是其算法模型发展的高级阶段，本质上属于神经网络算法的范畴。核心优势：端到端学习

减少人工干预，直接从输入到输出（一）基本概念“深度”的本质在于自动学习特征的能力机器学习：“人工投喂”特征，适合数据量小、规则清晰的场景。深度学习：“自给自足”学特征，适合数据海量、模式复杂的场景。“没有最好的算法，只有最适合场景的工具”7.1.2深度学习与机器学习的区别和联系（二）技术原理（1）特征提取：人工设计vs自动学习机器学习：常依赖人工设计的特征提取器，需领域专家介入，如经典的SIFT（尺度不变特征变换）、HOG（方向梯度直方图）等。深度学习：无需人工干预，直接通过深层神经网络（CNN/RNN等）从海量数据中自动学习复杂、抽象且具有层次化的特征表示。7.1.2深度学习与机器学习的区别和联系（二）技术原理（2）优化方法：算法多样性vs反向传播核心机器学习：应用场景丰富，采用的优化算法种类多，如传统的梯度下降、牛顿法、拟牛顿法以及针对特定模型的SMO算法等。深度学习：针对百万级甚至亿级的海量网络参数，核心依赖“反向传播”机制结合梯度下降（及其改进版如Adam、SGD）进行高效训练与参数更新。7.1.2深度学习与机器学习的区别和联系（二）技术原理（3）模型能力：表达与拟合的差异深度学习优势：凭借深层非线性的网络结构，能够拟合极其复杂的数据分布和非线性关系，在处理图像、语音、自然语言等非结构化大数据时，展现出远超传统机器学习模型的表达与拟合能力。7.1.2深度学习与机器学习的区别和联系（三）数据特点（1）数据规模•机器学习：通常可在较小规模数据（千级）上训练出表现良好的模型，对数据量要求较为灵活。•深度学习：通常需要大规模标注数据（百万级以上）才能充分发挥其复杂模型的强大性能。（2）数据类型•机器学习：更适合结构化数据，如电子表格、数据库表中的数值型与类别型数据。•深度学习：在处理非结构化数据上具有显著优势，例如图像、语音、自然语言文本等复杂数据形式。7.1.2深度学习与机器学习的区别和联系（四）应用场景（1）机器学习应用典型场景：疾病预测、风险评估、辅助临床决策支持、医疗服务推荐系统等。

适用特征：适合数据特征明确、结构化程度高、数据量适中的传统医疗数据分析场景。（2）深度学习应用典型场景：医学影像（CT/MRI）智能分析、基因测序大数据分析、创新药物研发、电子病历NLP语义理解等。

适用特征：更擅长处理高维、复杂、非结构化、海量数据的任务，能挖掘数据深层隐含规律。7.1.2深度学习与机器学习的区别和联系（五）深度学习vs机器学习对比维度传统机器学习深度学习关键总结数据与计算需求小规模数据即可训练

计算资源需求较低依赖海量数据支撑

对算力/硬件要求极高深度学习的“大数据+强算力”模式

突破了传统模型的性能上限特征与结构依赖人工特征工程

多为浅层线性/树模型端到端自动特征提取

多层非线性网络结构深度学习自动挖掘数据深层关联

大幅降低对领域专家的依赖任务场景与能力擅长结构化数据任务

泛化能力相对有限主攻非结构化数据(图/文/音)

复杂场景泛化能力更强无单一“最优解”

需根据数据形态和任务目标选择7.1.2深度学习与机器学习的区别和联系7.1.3深度学习的分类（一）按学习方式分类监督学习使用带标签数据进行训练，学习输入到输出的映射，如分类与回归。1无监督学习使用无标签数据，自主发现数据内在的结构、分布规律或潜在特征。2半监督学习结合少量标注数据和大量未标注数据进行训练，平衡标注成本与模型性能。3强化学习智能体通过与环境交互，以试错方式从奖励信号中学习，获取最优决策策略。47.1.3深度学习的分类（二）按网络结构分类CNN卷积神经网络核心特点：局部连接、权重共享擅长数据：医学影像(CT/MRI等)RNN循环神经网络核心特点：序列处理、记忆功能擅长数据：时间序列、病历文本序列GAN生成对抗网络核心特点：对抗训练、高逼真生成能力擅长数据：数据增强、图像风格转换第2节深度学习的工作原理7.2.1深度学习的生物学启示（一）结构对应人工神经元↔大脑神经元：模拟生物神经元接收、整合和传递信号的基本单元网络权重↔神经元突触连接强度：权重值的大小对应突触传递效率，影响信号传递强度多层网络↔大脑信息处理的层级分工：类似视觉皮层的分层结构，实现从简单特征到复杂认知的逐级抽象（二）逻辑适配并行化处理：大脑能同时处理视觉、听觉等多维度生理信号，深度学习模型同样支持并行计算，高效处理影像、文本等多模态医疗数据。容错性与鲁棒性：大脑局部受损仍能维持基础功能，深度学习模型在部分数据缺失或噪声干扰下，仍能保持一定的预测精度与稳定性。层级化学习：大脑认知遵循从基础感知到复杂理解的路径，深度学习也模仿这一规律，从学习边缘、纹理等低级特征，逐步抽象出病灶、器官等高级语义特征。7.2.2深度学习的网络模型（一）核心网络模型概览GAN生成对抗网络(GenerativeAdversarialNetwork)💡一句话概括：擅长“创造”，生成逼真的新数据。🧩核心组件：生成器、判别器。🏥医学价值：解决医学数据稀缺问题，合成高质量训练样本。RNN循环神经网络(RecurrentNeuralNetwork)💡一句话概括：擅长“听”和“读”，处理连续的序列数据。🧩核心组件：循环层（隐藏层）、记忆机制。🏥医学价值：分析心电图波形、电子病历等复杂时序数据。CNN卷积神经网络(ConvolutionalNeuralNetwork)💡一句话概括：擅长“看”，自动从图像中提取关键的空间特征。🧩核心组件：卷积层、池化层、全连接层。🏥医学价值：自动识别X光、CT、MRI等医学影像中的微小病变。7.2.2深度学习的网络模型—CNN卷积神经网络（CNN）概述（一）定义卷积神经网络（ConvolutionalNeuralNetwork,CNN）是一种包含卷积运算的多层前馈神经网络，其灵感来源于生物视觉皮层的层次结构。它通过模拟生物视觉系统中的局部感受野和权值共享机制，实现对数据的自动特征提取和分类。（二）发展历程•1989年:YannLeCun等人提出LeNet网络，是第一个成功的CNN，为后续发展奠定基础。

•2012年:AlexNet在ImageNet竞赛中取得突破性成功，显著提升了图像识别准确率，直接引发深度学习革命。

•后续发展:VGGNet、GoogLeNet、ResNet等经典架构不断涌现，持续刷新图像识别准确率记录，推动技术不断成熟。（三）广泛应用

除了基础的图像分类任务外，CNN目前已被广泛应用于目标检测、图像分割、行为识别、视频分析等复杂的计算机视觉领域，成为该领域不可或缺的核心技术之一。7.2.2深度学习的网络模型—CNNCNN：如何让机器看懂医学图像？（一）核心结构•卷积层(ConvolutionalLayer)：通过卷积核在图像上滑动，提取局部特征（如边缘、纹理），是识别图像关键信息的基础。7.2.2深度学习的网络模型—CNN（1）卷积运算的基本步骤卷积运算是卷积层提取图像特征的核心操作，其核心流程可拆解为以下四步：1.定义卷积核：卷积核是一个小矩阵，其数值决定了对图像的滤波方式（如边缘检测、模糊处理等）。2.滑动窗口：将卷积核在输入图像上按固定步长滑动，每次覆盖图像的一个局部区域。3.元素相乘并求和：将卷积核与当前覆盖的图像区域进行逐元素相乘，再将所有乘积相加，得到该位置的输出特征值。4.生成输出图像：重复上述步骤，直到卷积核遍历输入图像的全部有效区域，最终组合成一张新的特征图。7.2.2深度学习的网络模型—CNN（2）感受野(ReceptiveField)卷积核的尺寸直接决定了输出特征图上单个像素点“能看到”的输入图像范围，即感受野的大小。通常：大卷积核→大感受野：能够捕捉图像中的全局特征与宏观结构信息。小卷积核→小感受野：擅长提取图像的局部纹理、边缘等细节特征。（3）步长(Stride)定义：卷积核在输入特征图上每次移动的像素距离，是控制特征图尺寸的关键参数之一。影响：步长=1时输出特征图尺寸大、保留信息多；步长=2时输出尺寸减半，计算效率显著提升但感受野会发生变化。作用：灵活调整输出特征图的空间分辨率，在保证计算效率的同时平衡信息保留程度。7.2.2深度学习的网络模型—CNN（4）填充(Padding)定义：在原始输入图像或特征图的边界周围，补充额外数值（通常为0）的操作，分为“Valid”（无填充）和“Same”（等长填充）。影响：Padding=0时输出尺寸小于输入，边缘像素会被多次卷积；Padding=1可保持输入输出尺寸一致，避免边缘信息丢失。作用：有效保护图像边缘的纹理和细节特征不被削减，同时保证网络各层之间的尺寸可控性。7.2.2深度学习的网络模型—CNN（一）核心结构•池化层(PoolingLayer)：对卷积提取的特征图进行下采样操作，有效降低数据维度，在减少计算量的同时保留核心特征。7.2.2深度学习的网络模型—CNN（一）核心结构•全连接层(FullyConnectedLayer)：将前面提取并降维的局部特征进行全局整合，输出最终的分类或回归结果，完成诊断或分析任务。7.2.2深度学习的网络模型—CNN（二）CNN的四大核心特点局部感知每个神经元仅与输入数据的一小块区域相连，能够高效捕捉空间结构。参数共享同一个卷积核在图像不同位置共享权重，大幅减少模型参数，降低计算复杂度。下采样（池化）通过池化层简化特征图，增强模型对平移变化的鲁棒性，并减少计算量。多层次特征提取通过堆叠多个卷积层和池化层，逐层学习从低级到高级的抽象特征。7.2.2深度学习的网络模型—CNN（三）CNN在医学图像处理中的重要性（1）提高诊断准确性CNN具有强大的特征提取能力，能够自动学习和提取医学图像中的关键特征，包括图像的局部细节信息、整体结构和纹理等特征。这种能力使得CNN在医学图像分类、目标检测、图像分割等任务中取得了优异的表现。（2）适应大规模数据集随着医疗技术的不断进步和医疗设备的不断更新换代，医学图像数据呈现出爆炸式增长的趋势。传统的医学图像分析方法难以处理如此大规模的数据集。而CNN通过局部连接和权值共享的方式，减少了模型的参数量，降低了计算复杂度，使得其能够高效处理大规模图像数据。同时，CNN的并行计算能力也使得其能够充分利用现代计算机硬件资源，进一步加速计算过程。7.2.2深度学习的网络模型—CNN（三）CNN在医学图像处理中的重要性（3）适用于多种医学图像类型医学图像类型繁多，包括X光、CT、MRI、超声等多种类型。这些图像具有不同的特点和复杂性，使得传统的医学图像分析方法难以统一处理。而CNN作为一种通用的深度学习模型，可以适用于不同类型的医学图像数据。通过调整网络结构和参数设置，CNN可以实现对不同类型医学图像的准确分析和诊断。（4）推动医疗智能化发展CNN在医学图像处理中的成功应用，推动了医疗智能化的发展。通过结合其他人工智能技术，如自然语言处理、机器学习等，可以构建更加智能的医疗系统，实现疾病的早期诊断、个性化治疗、智能康复等功能。这将为患者提供更加便捷、高效的医疗服务，同时提升医疗资源的利用效率。7.2.2深度学习的网络模型—CNN（三）CNN在医学图像处理中的重要性图像分割任务：精确勾勒出图像中目标的轮廓。案例：肿瘤区域分割，帮助医生精确测量肿瘤体积。轮廓勾勒目标检测任务：在图像中找到目标并确定其位置。案例：肺部结节检测，检出率远高于人工阅片。位置定位图像分类任务：判断一张图像属于哪个类别。案例：皮肤癌识别，模型准确率与资深皮肤科医生相当。类别识别7.2.2深度学习的网络模型—RNN循环神经网络（RNN）概述（一）定义循环神经网络（RecurrentNeuralNetwork,RNN）是一种引入循环连接结构的前馈神经网络变体，其灵感来源于人类对序列信息的处理方式。通过内部隐含状态的时间维度传递，RNN能够有效捕捉序列数据中的时间依赖关系，实现对自然语言、时间序列等动态数据的建模与预测。（二）发展历程1986年：JeffreyElman提出Elman网络，首次明确引入循环结构，为后续研究奠定基础。1997年：SeppHochreiter与JürgenSchmidhuber提出长短时记忆网络（LSTM），有效解决了原始RNN的梯度消失和梯度爆炸问题，大幅提升了长序列建模能力。后续发展：门控循环单元（GRU）、双向RNN、深度RNN等变体不断涌现，并在自然语言处理、语音识别等领域取得广泛应用。（三）广泛应用除了基础的序列预测任务外，RNN及其变体目前已被广泛应用于机器翻译、情感分析、语音识别、文本生成、时间序列预测等众多涉及序列数据的任务中，成为处理时序信息的重要核心技术之一。7.2.2深度学习的网络模型—RNN（一）核心思想RNN通过引入循环连接，使其能够处理序列数据，并保留对先前输入信息的“记忆”，从而捕捉数据中的时序特征。（二）基本结构1.输入层:接收序列数据的输入，如文本序列、图像序列、时间序列等。2.隐藏层:进行数据处理和特征提取，通过循环连接各个时间步骤，可以保留上下文信息。3.输出层:输出处理结果，如预测值、分类结果等。RNN：如何让机器听懂、读懂医学图像？7.2.2深度学习的网络模型—RNN（三）RNN的计算过程1.对于每个时间步骤，输入层接收序列数据，并将其传递给隐藏层。2.隐藏层通过循环连接，对输入数据进行处理和特征提取，生成隐藏状态。3.隐藏状态与输出层进行计算，得到输出结果。4.隐藏状态更新，准备下一个时间步骤的计算。7.2.2深度学习的网络模型—RNN（四）挑战与改进方案•挑战：短期记忆局限。标准RNN在处理较长序列时，由于梯度消失或爆炸问题，难以有效捕捉长序列中的长期依赖关系。

•改进：引入门控机制。LSTM(长短期记忆网络)和GRU(门控循环单元)通过设计“输入门、遗忘门、输出门”等机制，精确控制信息的遗忘与传递，有效解决了长期依赖问题。7.2.2深度学习的网络模型—RNN（五）RNN的应用1.自然语言处理:如医学文本挖掘、医学诊断系统等。2.图像处理:如医学图像分析、病理图像分类等。3.时间序列分析:如心率监测、血压监测等。7.2.2深度学习的网络模型—GAN生成对抗神经网络（GAN）概述（一）定义与灵感生成对抗网络（GenerativeAdversarialNetwork,GAN）是一种由生成器和判别器通过对抗博弈进行训练的无监督学习框架，其灵感来源于博弈论中的零和博弈思想。生成器尝试伪造数据以“欺骗”判别器，判别器则努力区分真实数据与伪造数据，二者在相互对抗中共同提升性能。（二）发展历程2014年：IanGoodfellow等人首次提出GAN框架，开创了生成式建模的新方向。2015-2017年：DCGAN将卷积结构引入GAN，显著提升了图像生成质量；条件GAN（cGAN）开始实现对生成过程的控制。后续发展：WassersteinGAN（WGAN）、CycleGAN、StyleGAN等大量变体不断涌现，极大提升了训练的稳定性、生成质量与应用广度。（三）广泛应用除了基础的图像生成任务外，GAN目前已被广泛应用于图像超分辨率、风格迁移、数据增强、文本到图像生成、语音合成、视频预测等众多跨模态生成任务中，成为生成式建模领域最具影响力的核心技术之一。7.2.2深度学习的网络模型—GAN（一）核心思想GAN通过同时训练一个生成器和一个判别器，让两者在对抗博弈中相互提升。生成器试图伪造出与真实数据分布相近的样本，判别器则努力区分真实样本与伪造样本，最终使生成器能够生成以假乱真的数据。（二）基本结构生成器：接收随机噪声向量作为输入，通过多层神经网络（通常是反卷积层）生成与真实数据同维度的伪造样本。判别器：接收真实数据或生成器生成的伪造数据，经过神经网络提取特征后输出一个概率值，判断输入为真实样本的概率。对抗训练：生成器和判别器交替优化，生成器最小化判别器识别出其伪造样本的概率，判别器最大化自身对真实与伪造样本的分类准确率，形成动态博弈平衡。GAN：如何让机器生成可训练的医学图像？7.2.2深度学习的网络模型—GAN（三）GAN在医学图像处理中的重要性（1）数据增强与解决数据稀缺问题医学图像数据通常面临标注成本高、患者隐私保护严格、特定病例稀少等问题，导致数据集规模小、样本不平衡。GAN可以用于生成高度逼真的医学图像，在不侵犯隐私的前提下，极大地扩充训练数据集。这有助于提升下游任务模型的鲁棒性和泛化能力，特别是在处理罕见病时效果显著。（2）跨模态图像转换与合成临床诊断可能需要多种模态的图像以获取互补信息，但并非所有患者都完成了所有检查。GAN可以实现不同模态医学图像之间的相互转换，例如：将CT图像转换为伪MRI图像，辅助手术规划。将T1加权MRI转换为T2加权MRI，减少扫描时间。将造影剂增强的MRI合成非增强的MRI，降低对造影剂的依赖和潜在风险。7.2.2深度学习的网络模型—GAN（三）GAN在医学图像处理中的重要性（3）图像超分辨率与质量提升低分辨率、有噪声的医学图像（如超声图像）会影响诊断的准确性。GAN可以被训练用于医学图像的超分辨率重建和去噪，将低质量图像转换为高质量、高清晰度的图像，为医生提供更可靠的诊断依据。7.2.3学习机制（一）代价函数(CostFunction)作用：量化模型预测值与真实值之间的偏差，是模型优化过程中的“指南针”，指引参数向减小误差的方向更新。常见类型：•均方误差(MSE)：常用于连续数值预测的回归任务，衡量预测与真实值的平方差均值。•交叉熵损失(Cross-Entropy)：常用于离散标签预测的分类任务，衡量预测概率分布与真实分布的差异。7.2.3学习机制（二）输出表示(OutputRepresentation)作用：将模型深层网络学习到的抽象特征，转化为符合任务目标的最终决策结果。常见类型：•连续值输出：用于回归任务（如预测肿瘤大小、患者生存时长）。•概率分布输出：用于分类任务（如预测肿瘤“良性/恶性”的概率分布）。•结构化输出：用于图像分割、自然语言生成等复杂任务（如输出病灶区域的像素级分类图）。7.2.3学习机制（三）激活函数作用：为神经网络引入非线性变换，使网络能够拟合复杂的函数关系。若无激活函数，多层线性变换等价于单一线性变换，将严重限制模型的表达能力。常见类型：Sigmoid：将输入压缩到(0,1)区间，常用于二分类输出层或概率估计，但易导致梯度饱和。Tanh：将输入压缩到(-1,1)区间，均值为零，收敛速度通常优于Sigmoid，但仍存在梯度饱和问题。ReLU：当输入为正时输出线性，为负时输出0，计算简单且能缓解梯度消失，是当前隐藏层最常用的激活函数之一。LeakyReLU/PReLU：在负区间引入小斜率，避免“神经元死亡”问题，增强信息流动。Softmax：将多个神经元输出转换为概率分布，常用于多分类任务的输出层。7.2.4经典网络架构（一）VGG核心思想：通过统一使用小卷积核（3×3）并不断增加网络深度，让模型逐步提取从简单到复杂的特征。理论要点：两个3×3卷积层串联等效于一个5×5卷积层的感受野，但参数量更少，非线性更强。深度增加使网络能学习更抽象的特征表示。7.2.4经典网络架构（一）VGG结构特点：若干组卷积层（每组内卷积核数量翻倍）后接一个最大池化层，最后接三个全连接层。VGG16有13个卷积层+3个全连接层，VGG19在此基础上再增加3个卷积层。理解：就像从局部像素（边缘）→简单纹理（组织边界）→复杂形状（器官轮廓）→语义（病灶类型）的逐层抽象。病理图像分析中，浅层检测细胞轮廓，深层判断是否为恶性肿瘤。7.2.4经典网络架构

7.2.4经典网络架构（二）ResNet结构特点：残差块包含两层或三层卷积，输入与输出通过逐元素相加合并。当维度不匹配时，使用1×1卷积对跳跃连接进行维度变换。理解：在CT图像分割任务中，即使网络有上百层，原始的病灶位置信息仍能通过跳跃连接直接传到深层，避免因卷积层数过多而丢失关键的空间结构。这就像在诊断报告中始终保留原始检查结果，不因层层分析而丢失。7.2.4经典网络架构

7.2.4经典网络架构（三）LSTM结构特点：隐藏单元包含三个门和一个细胞状态，通过sigmoid（门）和tanh（候选值/输出）实现非线性控制。每个时间步共享权重，可处理变长序列。理解：心电图（ECG）分析：模型需要记住几天前的基础心律（长期依赖），同时忽略单次干扰波（瞬时噪声），并基于当前心跳和近期趋势输出异常警报。LSTM的三个门协同完成这种动态记忆管理。第3节深度学习的应用7.3.1深度学习在图像中的应用（一）图像分类（Classification）：判断整张图像中是否存在某种病变以及病变的类型。例如输入一张CT图像，输出“正常”或“肺结节”的标签。（二）图像检测（Detection）：在图像中精确定位病变或器官的位置，并用边界框将其标出。（三）图像分割（Segmentation）：对图像中的每一个像素进行分类，精确描绘出病变或器官的轮廓，精度最高。7.3.1深度学习在文本中的应用（一）信息检索信息检索是指从大量文本数据中快速、准确地查找出符合用户需求的信息。在医学领域，信息检索技术可用于医学文献检索、电子病历检索、药品信息检索等场景，帮助医生、研究人员、患者快速获取所需的医学信息，提高信息利用效率。（二）大语言模型大语言模型是指参数量高达几十亿甚至数万亿的预训练语言模型，能够理解和处理自然语言的任务，包括文本生成、理解、问答等。随着大规模语言模型的发展，大语言模型已经在医学领域被迅速应用。作为人工智能在医疗智能化中的关键一环，大语言模型应用于医学问答、临床辅助诊断和研究辅助等多种场景中。7.3.1深度学习在音频中的应用（一）信号增强与恢复信号增强的目的是提高音质，减小噪声、干扰，或对被破坏的信号加以还原，从中恢复较为“纯净”的原语音，这是音频中最为基础的任务之一。在很多医学音频信号领域中，如心音、肺音、肠鸣音、手术监护语音中都会夹杂着各种仪器噪音以及病房里背景噪音，这样就很容易通过信号增