醫(yī)學影像往往隱藏著大量關鍵信息，但要讓AI看懂這些影像，此前訓練數(shù)據(jù)離不開醫(yī)生圈出病灶——這不僅耗費大量時間和精力，也讓醫(yī)學影像AI難以大規(guī)模推廣。

最近，中國科學院深圳先進技術研究院等提出了一種名為AFLoc的人工智能模型。這一模型不需要醫(yī)生提前標注病灶，就能自動在醫(yī)學影像中“找病灶”。

01

學習能力強

傳統(tǒng)醫(yī)學影像AI的學習方式，就像學生做題必須先有標準答案。而AFLoc更像是在“看圖讀報告”的過程中，自行學會理解影像含義。

▲AFLoc模型自動定位的病灶區(qū)域。研究團隊供圖

研究人員讓AI同時學習兩類信息：一類是醫(yī)學影像本身，比如胸片、眼底照片或病理切片；另一類是醫(yī)生撰寫的臨床報告。

通過反復“對照學習”，AI會逐漸“明白”報告中提到的疾病描述，對應影像中的哪些區(qū)域最重要。久而久之，即使沒有人工標注，AI也能根據(jù)一句疾病描述，在影像中準確標出最可能的病灶位置。

研究團隊在3種常見醫(yī)學影像中驗證了AFLoc的能力，包括胸部X光、眼底影像和組織病理圖像。

在胸片實驗中，AFLoc針對肺炎、胸腔積液、氣胸等34種常見疾病，在多個公開數(shù)據(jù)集上的病灶定位效果優(yōu)于現(xiàn)有方法，在部分疾病上甚至超過了人類專家的水平。

在眼底和病理影像中，AFLoc同樣表現(xiàn)穩(wěn)定，能夠清晰、準確地定位病變區(qū)域。

更令人關注的是，在完全沒有見過標注數(shù)據(jù)的情況下，AFLoc依然具備出色的疾病判斷能力。在多項“零樣本”測試中，它的表現(xiàn)甚至超過了部分依賴大量人工標注數(shù)據(jù)訓練的模型。

02

打開“自學”新途徑

這項研究表明，醫(yī)學影像AI不再必須建立在大量“手工畫圈”的數(shù)據(jù)基礎之上，只要有影像和臨床報告，AI就能不斷自我學習和提升。

這不僅能大幅降低醫(yī)學影像AI的研發(fā)成本，也有助于模型在不同醫(yī)院、不同設備之間更好地“舉一反三”，提高了真實臨床環(huán)境中的實用性。

研究團隊表示，未來將進一步推動該技術在真實臨床場景中的驗證和應用，探索其在輔助診斷、疾病篩查等方面的潛力。

來源：中國科學院深圳先進技術研究院

責任編輯：宋同舟