1月6日，中国科学院深圳先进技术研究院医学成像科学与技术系统全国重点实验室研究员王珊珊团队联合清华大学助理教授周洪宇、澳门科技大学教授张康等合作者在《自然·生物医学工程》发表最新成果，研究团队提出了一种名为AFLoc的人工智能模型，该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”。 研究团队介绍，“我们让AFLoc 模型同时学习两类信息，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’，AFLoc模型会逐渐明白，临床报告中提到的疾病描述，对应影像中的哪些区域。久而久之，即使没有人工标注，它也能在影像中准确标出最可能的病灶位置。” 据悉，研究团队在胸部X光、眼底影像和组织病理图像三种典型医学影像模态上对AFLoc进行了系统验证，结果显示模型均表现出优异性能。 在胸片实验中，AFLoc在覆盖肺炎、胸腔积液、气胸等34种常见胸部疾病、涉及8个主流公开数据集的测试中，在多项病灶定位指标上优于现有方法，并在多个病种中达到了甚至超越人类专家的水平。在眼底影像和病理图像任务中，AFLoc同样展现出稳定的病灶定位能力，定位精度优于当前主流模型。 除病灶定位外，AFLoc还展现出强大的疾病诊断能力。在胸部X光、眼底和组织病理图像的零样本分类任务中，其整体表现均优于现有方法。尤其在眼底视网膜病变诊断中，AFLoc的零样本分类性能甚至超越了部分依赖人工标注数据微调的模型。 “这一模型有效规避了传统深度学习方法对大规模人工标注数据的依赖，显著提升了医学影像数据的利用效率与模型的泛化能力，为临床影像AI从‘依赖手工标注’迈向‘自监督学习’提供了可行路径，也为构建更智能、更具通用性的医学人工智能系统提供了新的技术范式。”王珊珊表示。