让AI“自学”找病灶 医学影像分析有望告别传统手工标注 | 科技前线
医学影像往往隐藏着大量关键信息，但要让AI看懂这些影像，此前训练数据离不开医生圈出病灶——这不仅耗费大量时间和精力，也让医学影像AI难以大规模推广。
最近，中国科学院深圳先进技术研究院等提出了一种名为AFLoc的人工智能模型。这一模型不需要医生提前标注病灶，就能自动在医学影像中“找病灶”。
01
学习能力强
传统医学影像AI的学习方式，就像学生做题必须先有标准答案。而AFLoc更像是在“看图读报告”的过程中，自行学会理解影像含义。
▲AFLoc模型自动定位的病灶区域。研究团队供图研究人员让AI同时学习两类信息：一类是医学影像本身，比如胸片、眼底照片或病理切片；另一类是医生撰写的临床报告。
通过反复“对照学习”，AI会逐渐“明白”报告中提到的疾病描述，对应影像中的哪些区域最重要。久而久之，即使没有人工标注，AI也能根据一句疾病描述，在影像中准确标出最可能的病灶位置。
研究团队在3种常见医学影像中验证了AFLoc的能力，包括胸部X光、眼底影像和组织病理图像。
在胸片实验中，AFLoc针对肺炎、胸腔积液、气胸等34种常见疾病，在多个公开数据集上的病灶定位效果优于现有方法，在部分疾病上甚至超过了人类专家的水平。
在眼底和病理影像中，AFLoc同样表现稳定，能够清晰、准确地定位病变区域。
更令人关注的是，在完全没有见过标注数据的情况下，AFLoc依然具备出色的疾病判断能力。在多项“零样本”测试中，它的表现甚至超过了部分依赖大量人工标注数据训练的模型。
02
打开“自学”新途径
这项研究表明，医学影像AI不再必须建立在大量“手工画圈”的数据基础之上，只要有影像和临床报告，AI就能不断自我学习和提升。
这不仅能大幅降低医学影像AI的研发成本，也有助于模型在不同医院、不同设备之间更好地“举一反三”，提高了真实临床环境中的实用性。
研究团队表示，未来将进一步推动该技术在真实临床场景中的验证和应用，探索其在辅助诊断、疾病筛查等方面的潜力。