1. 传统机器学习（依赖手工特征）
流程：手工提取特征 → 分类器训练。
特征提取：基于医学图像的灰度、纹理、形状等设计特征，例如：
纹理特征（如灰度共生矩阵 GLCM）：描述肿瘤区域的异质性（如 MRI 脑肿瘤的纹理差异）。
形状特征（如周长、面积、圆形度）：用于区分正常与异常结构（如心脏扩大的形态特征）。
时序特征（如 ECG 的 QRS 波宽度、RR 间期）：用于心律失常分类。
分类器：支持向量机（SVM）、随机森林、AdaBoost 等，适用于简单场景（如 ECG 的正常 / 异常二分类）。
局限性：手工特征依赖领域知识，对复杂病变（如多病灶、模糊边界）适应性差。
2. 深度学习（自动特征学习）
通过神经网络自动学习图像的多层次特征（从低级边缘到高级语义），端到端处理，性能远超传统方法。核心模型包括：
卷积神经网络（CNN）
用途：图像分类（如 ECG 异常类型判断）、病灶检测（如 CT 脑出血定位）。
代表模型：ResNet（分类）、YOLO（实时检测）、Faster R-CNN（高精度病灶定位）。
案例：用 ResNet 对心脏超声图像分类，判断是否存在左心室肥厚。
U-Net 及变体（分割专用）
用途：医学图像精确分割（如心室内膜、脑肿瘤边界），为量化分析（如体积计算）提供基础。
优势：Encoder-Decoder 结构 + 跳跃连接，保留细节信息，适合边缘模糊的医学图像。
案例：U-Net 分割 MRI 中的海马体，通过体积萎缩程度预测阿尔茨海默病风险。
循环神经网络（RNN/LSTM）
用途：处理时序数据（如 ECG 的连续波形、fMRI 的时间序列）。
案例：LSTM 分析 ECG 的 RR 间期序列，检测房颤（特征是 RR 间期不规则）。
Transformer（注意力机制）
用途：捕捉长距离依赖（如脑结构 MRI 中不同脑区的关联），多模态图像融合（如 CT+MRI）。
代表模型：Vision Transformer（ViT）、Swin Transformer，在复杂图像（如多模态脑肿瘤）上表现优异。
图神经网络（GNN）
用途：脑连接组分析（如 fMRI 的功能连接网络、弥散张量成像（DTI）的结构连接网络）。
案例：用 GNN 分析阿尔茨海默病患者的脑功能连接网络，识别异常连接模式。