讓AI找病灶，醫學影像診斷或將告別“手工標注時代”

在醫院里，一張醫學影像往往隱藏著大量關鍵信息。但要讓AI 看懂這些影像，過去離不開醫生手動“圈出”的病灶作為訓練數據——這不僅耗費大量時間和精力，也成為醫學影像 AI 難以大規模推廣的重要原因。

有沒有可能，讓AI不再依賴人工標注，也能自己學會“哪里可能有病灶”？

1月6日，中國科學院深圳先進技術研究院醫學成像科學與技術系統全國重點實驗室研究員王珊珊團隊聯合清華大學助理教授周洪宇、澳門科技大學教授張康等合作者在《自然—生物醫學工程》發表的最新成果，給出了一個全新的答案。

研究團隊提出了一種名為AFLoc的人工智能模型，這一模型最大的特點是：不需要醫生提前標注病灶，就能自動在醫學影像中“找病灶”。

傳統的醫學影像AI模型的學習方式，就像學生做題必須先有標準答案，而AFLoc模型則更像是在“看圖讀報告”的過程中，自己學會理解影像含義。

研究人員介紹，“我們讓AFLoc 模型同時學習兩類信息，一類是醫學影像本身，比如胸片、眼底照片或病理切片，另一類是醫生撰寫的臨床報告。通過反復‘對照學習’，AFLoc模型會逐漸明白：臨床報告中提到的疾病描述，對應影像中的哪些區域。久而久之，即使沒有人工標注，它也能在影像中準確標出最可能的病灶位置。”

研究團隊在胸部X光、眼底影像和組織病理圖像三種典型醫學影像模態上對AFLoc進行了系統驗證，結果顯示模型均表現出優異性能。

在胸片實驗中，AFLoc在覆蓋肺炎、胸腔積液、氣胸等34種常見胸部疾病、涉及8個主流公開數據集的測試中，在多項病灶定位指標上優于現有方法，并在多個病種中達到了甚至超越人類專家的水平。在眼底影像和病理圖像任務中，AFLoc同樣展現出穩定的病灶定位能力，定位精度優于當前主流模型。

除病灶定位外，AFLoc還展現出強大的疾病診斷能力。在胸部X光、眼底和組織病理圖像的零樣本分類任務中，其整體表現均優于現有方法。尤其在眼底視網膜病變診斷中，AFLoc的零樣本分類性能甚至超越了部分依賴人工標注數據微調的模型。

“這一模型有效規避了傳統深度學習方法對大規模人工標注數據的依賴，顯著提升了醫學影像數據的利用效率與模型的泛化能力，為臨床影像AI從‘依賴手工標注’邁向‘自監督學習’提供了可行路徑，也為構建更智能、更具通用性的醫學人工智能系統提供了新的技術范式。”王珊珊研究員表示。

未來，研究團隊還將進一步推動AFLoc在多中心真實臨床場景中的驗證與應用，加速其向臨床輔助診斷系統的轉化落地。

相關論文信息：https://www.nature.com/articles/s41551-025-01574-7