著名ＡＩ科技公司ＤｅｅｐＭｉｎｄ　首席執(zhí)行官　Ｄｅｍｉｓ　Ｈａｓｓａｂｉｓ這樣評價這個時代：＂我們正處于幾乎可以用　ＡＩ　治愈所有疾病的射程范圍內(nèi)。＂２０２４年，ＡＩ在醫(yī)療領(lǐng)域持續(xù)發(fā)力，不斷打破學術(shù)壁壘與臨床限制，為疾病診療、醫(yī)學影像分析等方面提供了革命性解決方案。國外研究團隊的多項突破，進一步推動了醫(yī)療行業(yè)的全球化協(xié)同創(chuàng)新。

一、牛津大學：引領(lǐng)醫(yī)學圖像分割新紀元

醫(yī)學圖像分割是將醫(yī)學圖像中的關(guān)鍵區(qū)域或結(jié)構(gòu)準確提取，以支持臨床診斷和病理研究。然而，這一領(lǐng)域長期面臨數(shù)據(jù)異構(gòu)性和模型泛化能力不足的挑戰(zhàn)。為解決這些問題，牛津大學團隊專注于醫(yī)學圖像分割技術(shù)的創(chuàng)新，特別是在三維醫(yī)學圖像處理和單次提示分割能力上不斷突破。他們基于Ｍｅｔａ公司開發(fā)的Ｓｅｇｍｅｎｔ　Ａｎｙｔｈｉｎｇ　Ｍｏｄｅｌ　２（ＳＡＭ　２）框架，推出了Ｍｅｄｉｃａｌ　ＳＡＭ　２（ＭｅｄＳＡＭ－２），為醫(yī)學圖像分割技術(shù)開辟了全新路徑。

根據(jù)研究團隊發(fā)表于預(yù)印本平臺ａｒＸｉｖ上的論文《Ｍｅｄｉｃａｌ　ＳＡＭ　２：　Ｓｅｇｍｅｎｔ　ｍｅｄｉｃａｌ　ｉｍａｇｅｓ　ａｓ　ｖｉｄｅｏ　ｖｉａ　Ｓｅｇｍｅｎｔ　Ａｎｙｔｈｉｎｇ　Ｍｏｄｅｌ　２》所述，其核心創(chuàng)新有三點：首先，將醫(yī)學圖像作為視頻的處理，通過將三維醫(yī)學圖像視為具有時間關(guān)聯(lián)的視頻數(shù)據(jù)，從而優(yōu)化了對３Ｄ圖像分割的處理流程。其次，優(yōu)化了單次提示分割能力，用戶只需為一種新目標提供單個提示，模型即可自動分割后續(xù)圖像中同類對象，顯著減少了對人工提示的依賴。最后，強化了多模態(tài)與高泛化能力，團隊利用豐富的數(shù)據(jù)集驗證了ＭｅｄＳＡＭ－２的適應(yīng)性，包括針對腹部多器官分割的ＢＴＣＶ數(shù)據(jù)集和用于腦腫瘤、甲狀腺結(jié)節(jié)等分割任務(wù)的多模態(tài)數(shù)據(jù)集。【１】

實驗結(jié)果顯示，ＭｅｄＳＡＭ－２在多器官分割任務(wù)中的Ｄｉｃｅ評分（常用的衡量圖像分割準確性的指標，值越接近１００％說明分割結(jié)果與真實標注越接近）達到８８．５７％，顯著領(lǐng)先于傳統(tǒng)模型。無論是三維成像的時間關(guān)聯(lián)處理，還是二維成像的單次提示，ＭｅｄＳＡＭ－２都在模型泛化性和操作便捷性上超越了前代技術(shù)。

目前，ＭｅｄＳＡＭ－２已在醫(yī)學影像分析和手術(shù)規(guī)劃領(lǐng)域初步實現(xiàn)了落地應(yīng)用。在癌癥影像診斷中，ＭｅｄＳＡＭ－２可快速分割腫瘤邊界，為臨床醫(yī)生提供更精準的病灶信息。在個性化手術(shù)方案設(shè)計時，通過對患者器官和組織的精細分割，該模型支持外科醫(yī)生制定個性化手術(shù)規(guī)劃。在器官移植和病理研究中，ＭｅｄＳＡＭ－２的高精度分割能力能夠顯著提升術(shù)前評估與診斷的效率。

此外，ＭｅｄＳＡＭ－２還展示出在甲狀腺結(jié)節(jié)檢測、腦腫瘤分析及皮膚病變分割等多個細分領(lǐng)域的潛在應(yīng)用價值，尤其適用于需要處理海量多模態(tài)醫(yī)學圖像的復(fù)雜場景。作為一項技術(shù)革命，ＭｅｄＳＡＭ－２不僅優(yōu)化了醫(yī)學圖像分割的效率與精度，還為解決醫(yī)學圖像分析中的數(shù)據(jù)異構(gòu)性提供了新思路。

二、谷歌ＡＩ團隊：醫(yī)學ＡＩ工具公平性評估框架

面對基于機器學習的醫(yī)療工具是否能夠?qū)崿F(xiàn)公平性的難題，谷歌ＡＩ團隊提出了創(chuàng)新性的健康公平評估框架（ＨＥＡＬ）。該框架的核心目標是確保ＡＩ技術(shù)優(yōu)關(guān)注那些健康狀況較差的群體，以減少因結(jié)構(gòu)性不平等（如社會、經(jīng)濟和種族差異）導(dǎo)致的健康結(jié)果差異。

根據(jù)谷歌發(fā)布于官網(wǎng)的報告《ＨＥＡＬ：　Ａ　ｆｒａｍｅｗｏｒｋ　ｆｏｒ　ｈｅａｌｔｈ　ｅｑｕｉｔｙ　ａｓｓｅｓｓｍｅｎｔ　ｏｆ　ｍａｃｈｉｎｅ　ｌｅａｒｎｉｎｇ　ｐｅｒｆｏｒｍａｎｃｅ》，ＨＥＡＬ框架包含四個關(guān)鍵步驟：首先通過選取種族、性別、年齡等可能影響健康公平的因素，明確ＡＩ工具的評估標準，識別與健康不公平相關(guān)的因素并定義工具性能指標

隨后利用失能調(diào)整生命年（ＤＡＬＹｓ）和生命損失年數(shù)（ＹＬＬｓ）等指標，描述不同群體的健康差異，量化現(xiàn)有的健康差異。再測量工具在各子群體中的表現(xiàn)，比較ＡＩ工具在不同群體的預(yù)測準確性。最后評估工具在健康差異中的優(yōu)先級，通過計算ＨＥＡＬ指標，衡量ＡＩ工具在健康公平性方面的表現(xiàn)。ＨＥＡＬ指標反映了模型性能與健康差異之間的反相關(guān)性，即工具是否優(yōu)先提升了健康狀況較差群體的診療效果。【２】

谷歌團隊將ＨＥＡＬ框架應(yīng)用于皮膚科ＡＩ模型的評估，研究其在不同種族、性別和年齡群體中的表現(xiàn)。該模型基于約２９，０００個病例的數(shù)據(jù)，旨在預(yù)測２８８種皮膚病，通過分析患者皮膚照片及相關(guān)信息，生成可能的診斷列表。研究團隊使用約５，４２０個病例的數(shù)據(jù)集對模型進行評估，其中包含多樣化的年齡、性別和種族或族裔信息。

作為評估健康公平性的工具，ＨＥＡＬ框架可為醫(yī)療監(jiān)管機構(gòu)提供科學依據(jù)，幫助制定有針對性的政策，促進健康資源的合理分配。ＨＥＡＬ框架還可用于部署后的ＡＩ醫(yī)療工具監(jiān)測，建立健康公平性儀表盤，確保模型在實際應(yīng)用中持續(xù)優(yōu)化。盡管當前框架主要聚焦醫(yī)療領(lǐng)域，其理念和方法可以推廣至教育、就業(yè)等其他社會領(lǐng)域，為解決不平等問題提供新的視角。

三、谷歌　ＡＩ　團隊：ＡＩ輔助肺癌篩查的工作流程

２０２４年２月，國家癌癥中心發(fā)布的《２０２２年中國癌癥發(fā)病率和死亡率》報告指出，肺癌仍是我國惡性腫瘤發(fā)病和死亡的首要原因。【３】盡管診療技術(shù)不斷進步，但診斷延誤與過度治療等問題依然突出。

針對篩查癌癥方面的困難，谷歌　ＡＩ　團隊聯(lián)合美國和日本的研究機構(gòu)評估ＡＩ技術(shù)如何與現(xiàn)有篩查工作流程深度融合，并探索其在不同國家特定指南和評分管理協(xié)議下的有效性。研究團隊通過對６２７例低劑量胸部ＣＴ病例（包括１４１例癌癥陽性病例）的分析，涵蓋了多種結(jié)節(jié)類型，如實性結(jié)節(jié)、部分實性結(jié)節(jié)和非實性結(jié)節(jié)，為優(yōu)化ＡＩ篩查流程提供了充足的數(shù)據(jù)支持。

根據(jù)團隊聯(lián)合發(fā)表于《Ｒａｄｉｏｌｏｇｙ　ＡＩ》期刊上的文章《Ａｓｓｉｓｔｉｖｅ　ＡＩ　ｉｎ　Ｌｕｎｇ　Ｃａｎｃｅｒ　Ｓｃｒｅｅｎｉｎｇ：　Ａ　Ｒｅｔｒｏｓｐｅｃｔｉｖｅ　Ｍｕｌｔｉｎａｔｉｏｎａｌ　Ｓｔｕｄｙ　ｉｎ　ｔｈｅ　Ｕｎｉｔｅｄ　Ｓｔａｔｅｓ　ａｎｄ　Ｊａｐａｎ》總結(jié)的研究進展，人工智能輔助篩查在美國和日本兩地的特異性分別提高了５．５％和６．７％，而敏感性未顯著下降。在ＬｏＳ（懷疑程度評分）和ＡＵＣ（接收器操作特性曲線面積）的綜合評估中，ＡＩ輔助篩查的表現(xiàn)顯著優(yōu)于傳統(tǒng)方法。尤其是在癌癥陽性病例中，ＡＩ系統(tǒng)標記了美國８９％和日本７５％的重點結(jié)節(jié)，顯著提升了醫(yī)生的診斷效率。【４】

研究發(fā)現(xiàn)，有ＡＩ輔助的情況下，平均每位病例篩查時間減少了１４秒。這不僅提高了醫(yī)生的工作效率，還增強了他們的診斷信心。此外，ＡＩ系統(tǒng)能準確標記大多數(shù)癌癥相關(guān)的結(jié)節(jié)區(qū)域，為放射科醫(yī)生提供更有針對性的判斷依據(jù)，減少了不必要的隨訪和活檢建議。

這項研究驗證了人工智能在復(fù)雜篩查流程中的實際效用，ＡＩ輔助篩查能夠減少不必要的隨訪和頻繁的肺活檢，從而降低醫(yī)療系統(tǒng)的負擔。這對于醫(yī)療資源緊張的地區(qū)尤為重要。未來通過整合全球多地數(shù)據(jù)，該ＡＩ系統(tǒng)能在早期發(fā)現(xiàn)肺癌方面發(fā)揮更大作用，尤其是在提高診斷陽性率和減少漏診風險方面，為患者爭取更多治療時間。

從精準的醫(yī)學圖像分割到提升診療公平性，再到篩查效率，這些新技術(shù)正為醫(yī)學創(chuàng)新提供更有力的支持。期望這些研究能盡快落地，逐步進入到我們的日常醫(yī)療環(huán)境，讓我們享受到更高效、更精準的診療服務(wù)。希望未來，ＡＩ能夠在醫(yī)療健康領(lǐng)域發(fā)揮更大的潛力，真正造福每一位需要幫助的人。

參考資料：

【１】Ｚｈｕ，　Ｊ．，　Ｈａｍｄｉ，　Ａ．，　Ｑｉ，　Ｙ．，　Ｊｉｎ，　Ｙ．，　＆　Ｗｕ，　Ｊ．　（２０２４）．　Ｍｅｄｉｃａｌ　ＳＡＭ　２：　Ｓｅｇｍｅｎｔ　ｍｅｄｉｃａｌ　ｉｍａｇｅｓ　ａｓ　ｖｉｄｅｏ　ｖｉａ　Ｓｅｇｍｅｎｔ　Ａｎｙｔｈｉｎｇ　Ｍｏｄｅｌ　２．　ａｒＸｉｖ．　ｈｔｔｐｓ：／／ｄｏｉ．ｏｒｇ／１０．４８５５０／ａｒＸｉｖ．２４０８．００８７４

【２】Ｓｃｈａｅｋｅｒｍａｎｎ，　Ｍ．，　＆　Ｈｏｒｎ，　Ｉ．　（２０２４，　Ｍａｒｃｈ　１５）．　ＨＥＡＬ：　Ａ　ｆｒａｍｅｗｏｒｋ　ｆｏｒ　ｈｅａｌｔｈ　ｅｑｕｉｔｙ　ａｓｓｅｓｓｍｅｎｔ　ｏｆ　ｍａｃｈｉｎｅ　ｌｅａｒｎｉｎｇ　ｐｅｒｆｏｒｍａｎｃｅ．　Ｇｏｏｇｌｅ　Ｒｅｓｅａｒｃｈ　Ｂｌｏｇ．　Ｒｅｔｒｉｅｖｅｄ　ｆｒｏｍ　ｈｔｔｐｓ：／／ｒｅｓｅａｒｃｈ．ｇｏｏｇｌｅ／ｂｌｏｇ／ｈｅａｌ－ａ－ｆｒａｍｅｗｏｒｋ－ｆｏｒ－ｈｅａｌｔｈ－ｅｑｕｉｔｙ－ａｓｓｅｓｓｍｅｎｔ－ｏｆ－ｍａｃｈｉｎｅ－ｌｅａｒｎｉｎｇ－ｐｅｒｆｏｒｍａｎｃｅ／

【３】Ｈａｎ，　Ｂ．，　Ｚｈｅｎｇ，　Ｒ．，　Ｚｅｎｇ，　Ｈ．，　Ｗａｎｇ，　Ｓ．，　Ｓｕｎ，　Ｋ．，　Ｃｈｅｎ，　Ｒ．，　Ｌｉ，　Ｌ．，　Ｗｅｉ，　Ｗ．，　＆　Ｈｅ，　Ｊ．　（２０２４）．　Ｃａｎｃｅｒ　ｉｎｃｉｄｅｎｃｅ　ａｎｄ　ｍｏｒｔａｌｉｔｙ　ｉｎ　Ｃｈｉｎａ，　２０２２．　Ｊｏｕｒｎａｌ　ｏｆ　ｔｈｅ　Ｎａｔｉｏｎａｌ　Ｃａｎｃｅｒ　Ｃｅｎｔｅｒ，　４（１），　４７－５３．　ｈｔｔｐｓ：／／ｄｏｉ．ｏｒｇ／１０．１０１６／ｊ．ｊｎｃｃ．２０２４．０１．００６

【４】Ｋｉｒａｌｙ　ＡＰ，　Ｃｕｎｎｉｎｇｈａｍ　ＣＡ，　Ｎａｊａｆｉ　Ｒ，　Ｎａｂｕｌｓｉ　Ｚ，　Ｙａｎｇ　Ｊ，　Ｌａｕ　Ｃ，　Ｌｅｄｓａｍ　ＪＲ，　Ｙｅ　Ｗ，　Ａｒｄｉｌａ　Ｄ，　ＭｃＫｉｎｎｅｙ　ＳＭ，　Ｐｉｌｇｒｉｍ　Ｒ，　Ｌｉｕ　Ｙ，　Ｓａｉｔｏ　Ｈ，　Ｓｈｉｍａｍｕｒａ　Ｙ，　Ｅｔｅｍａｄｉ　Ｍ，　Ｍｅｌｎｉｃｋ　Ｄ，　Ｊａｎｓｅｎ　Ｓ，　Ｃｏｒｒａｄｏ　ＧＳ，　Ｐｅｎｇ　Ｌ，　Ｔｓｅ　Ｄ，　Ｓｈｅｔｔｙ　Ｓ，　Ｐｒａｂｈａｋａｒａ　Ｓ，　Ｎａｉｄｉｃｈ　ＤＰ，　Ｂｅｌａｄｉａ　Ｎ，　Ｅｓｗａｒａｎ　Ｋ．　Ａｓｓｉｓｔｉｖｅ　ＡＩ　ｉｎ　Ｌｕｎｇ　Ｃａｎｃｅｒ　Ｓｃｒｅｅｎｉｎｇ：　Ａ　Ｒｅｔｒｏｓｐｅｃｔｉｖｅ　Ｍｕｌｔｉｎａｔｉｏｎａｌ　Ｓｔｕｄｙ　ｉｎ　ｔｈｅ　Ｕｎｉｔｅｄ　Ｓｔａｔｅｓ　ａｎｄ　Ｊａｐａｎ．　Ｒａｄｉｏｌ　Ａｒｔｉｆ　Ｉｎｔｅｌｌ．　２０２４　Ｍａｙ；６（３）：ｅ２３００７９．　ｄｏｉ：　１０．１１４８／ｒｙａｉ．２３００７９．　ＰＭＩＤ：　３８４７７６６１；　ＰＭＣＩＤ：　ＰＭＣ１１１４０５１７．

注：文章來源于網(wǎng)絡(luò)，如有侵權(quán)，請聯(lián)系刪除