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

最近，中國科學(xué)院深圳先進(jìn)技術(shù)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(biāo)注病灶，就能自動(dòng)在醫(yī)學(xué)影像中“找病灶”。

01

學(xué)習(xí)能力強(qiáng)

傳統(tǒng)醫(yī)學(xué)影像AI的學(xué)習(xí)方式，就像學(xué)生做題必須先有標(biāo)準(zhǔn)答案。而AFLoc更像是在“看圖讀報(bào)告”的過程中，自行學(xué)會(huì)理解影像含義。

▲AFLoc模型自動(dòng)定位的病灶區(qū)域。研究團(tuán)隊(duì)供圖

研究人員讓AI同時(shí)學(xué)習(xí)兩類信息：一類是醫(yī)學(xué)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(bào)告。

通過反復(fù)“對(duì)照學(xué)習(xí)”，AI會(huì)逐漸“明白”報(bào)告中提到的疾病描述，對(duì)應(yīng)影像中的哪些區(qū)域最重要。久而久之，即使沒有人工標(biāo)注，AI也能根據(jù)一句疾病描述，在影像中準(zhǔn)確標(biāo)出最可能的病灶位置。

研究團(tuán)隊(duì)在3種常見醫(yī)學(xué)影像中驗(yàn)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(shí)驗(yàn)中，AFLoc針對(duì)肺炎、胸腔積液、氣胸等34種常見疾病，在多個(gè)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(zhǔn)確地定位病變區(qū)域。

更令人關(guān)注的是，在完全沒有見過標(biāo)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(xiàng)“零樣本”測(cè)試中，它的表現(xiàn)甚至超過了部分依賴大量人工標(biāo)注數(shù)據(jù)訓(xùn)練的模型。

02

打開“自學(xué)”新途徑

這項(xiàng)研究表明，醫(yī)學(xué)影像AI不再必須建立在大量“手工畫圈”的數(shù)據(jù)基礎(chǔ)之上，只要有影像和臨床報(bào)告，AI就能不斷自我學(xué)習(xí)和提升。

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

研究團(tuán)隊(duì)表示，未來將進(jìn)一步推動(dòng)該技術(shù)在真實(shí)臨床場(chǎng)景中的驗(yàn)證和應(yīng)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(xué)院深圳先進(jìn)技術(shù)研究院

責(zé)任編輯：宋同舟