全部商品分類
著名ＡＩ科技公司ＤｅｅｐＭｉｎｄ 首席執行官 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。＂２０２４年，ＡＩ在醫療領域持續發力，不斷打破學術壁壘與臨床限制，為疾病診療、醫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，進一步推動了醫療行業的全球化協同創新。
一、牛津大學：引領醫學圖像分割新紀元
醫學圖像分割是將醫學圖像中的關鍵區域或結構準確提取，以支持臨床診斷和病理研究。然而，這一領域長期面臨數據異構性和模型泛化能力不足的挑戰。為解決這些問題，牛津大學團隊專注于醫學圖像分割技術的創新，特別是在三維醫學圖像處理和單次提示分割能力上不斷突破。他們基于Ｍｅｔａ公司開發的Ｓｅｇｍｅｎｔ Ａｎｙｔｈｉｎｇ Ｍｏｄｅｌ ２（ＳＡＭ ２）框架，推出了Ｍｅｄｉｃａｌ ＳＡＭ ２（ＭｅｄＳＡＭ－２），為醫學圖像分割技術開辟了全新路徑。
根據研究團隊發表于預印本平臺ａｒＸｉｖ上的論文《Ｍｅｄｉｃａｌ ＳＡＭ ２： Ｓｅｇｍｅｎｔ ｍｅｄｉｃａｌ ｉｍａｇｅｓ ａｓ ｖｉｄｅｏ ｖｉａ Ｓｅｇｍｅｎｔ Ａｎｙｔｈｉｎｇ Ｍｏｄｅｌ ２》所述，其核心創新有三點：首先，將醫學圖像作為視頻的處理，通過將三維醫學圖像視為具有時間關聯的視頻數據，從而優化了對３Ｄ圖像分割的處理流程。其次，優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，強化了多模態與高泛化能力，團隊利用豐富的數據集驗證了ＭｅｄＳＡＭ－２的適應性，包括針對腹部多器官分割的ＢＴＣＶ數據集和用于腦腫瘤、甲狀腺結節等分割任務的多模態數據集。【１】
實驗結果顯示，ＭｅｄＳＡＭ－２在多器官分割任務中的Ｄｉｃｅ評分（常用的衡量圖像分割準確性的指標，值越接近１００％說明分割結果與真實標注越接近）達到８８．５７％，顯著領先于傳統模型。無論是三維成像的時間關聯處理，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。
目前，ＭｅｄＳＡＭ－２已在醫學影像分析和手術規劃領域初步實現了落地應用。在癌癥影像診斷中，ＭｅｄＳＡＭ－２可快速分割腫瘤邊界，為臨床醫生提供更精準的病灶信息。在個性化手術方案設計時，通過對患者器官和組織的精細分割，該模型支持外科醫生制定個性化手術規劃。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前評估與診斷的效率。
此外，ＭｅｄＳＡＭ－２還展示出在甲狀腺結節檢測、腦腫瘤分析及皮膚病變分割等多個細分領域的潛在應用價值，尤其適用于需要處理海量多模態醫學圖像的復雜場景。作為一項技術革命，ＭｅｄＳＡＭ－２不僅優化了醫學圖像分割的效率與精度，還為解決醫學圖像分析中的數據異構性提供了新思路。
二、谷歌ＡＩ團隊：醫學ＡＩ工具公平性評估框架
面對基于機器學習的醫療工具是否能夠實現公平性的難題，谷歌ＡＩ團隊提出了創新性的健康公平評估框架（ＨＥＡＬ）。該框架的核心目標是確保ＡＩ技術優關注那些健康狀況較差的群體，以減少因結構性不平等（如社會、經濟和種族差異）導致的健康結果差異。
根據谷歌發布于官網的報告《ＨＥＡＬ： Ａ ｆｒａｍｅｗｏｒｋ ｆｏｒ ｈｅａｌｔｈ ｅｑｕｉｔｙ ａｓｓｅｓｓｍｅｎｔ ｏｆ ｍａｃｈｉｎｅ ｌｅａｒｎｉｎｇ ｐｅｒｆｏｒｍａｎｃｅ》，ＨＥＡＬ框架包含四個關鍵步驟：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的因素并定義工具性能指標
隨后利用失能調整生命年（ＤＡＬＹｓ）和生命損失年數（ＹＬＬｓ）等指標，描述不同群體的健康差異，量化現有的健康差異。再測量工具在各子群體中的表現，比較ＡＩ工具在不同群體的預測準確性。最后評估工具在健康差異中的優先級，通過計算ＨＥＡＬ指標，衡量ＡＩ工具在健康公平性方面的表現。ＨＥＡＬ指標反映了模型性能與健康差異之間的反相關性，即工具是否優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。該模型基于約２９，０００個病例的數據，旨在預測２８８種皮膚病，通過分析患者皮膚照片及相關信息，生成可能的診斷列表。研究團隊使用約５，４２０個病例的數據集對模型進行評估，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框架可為醫療監管機構提供科學依據，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醫療工具監測，建立健康公平性儀表盤，確保模型在實際應用中持續優化。盡管當前框架主要聚焦醫療領域，其理念和方法可以推廣至教育、就業等其他社會領域，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，國家癌癥中心發布的《２０２２年中國癌癥發病率和死亡率》報告指出，肺癌仍是我國惡性腫瘤發病和死亡的首要原因。【３】盡管診療技術不斷進步，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 團隊聯合美國和日本的研究機構評估ＡＩ技術如何與現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，涵蓋了多種結節類型，如實性結節、部分實性結節和非實性結節，為優化ＡＩ篩查流程提供了充足的數據支持。
根據團隊聯合發表于《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輔助篩查的表現顯著優于傳統方法。尤其是在癌癥陽性病例中，ＡＩ系統標記了美國８９％和日本７５％的重點結節，顯著提升了醫生的診斷效率。【４】
研究發現，有ＡＩ輔助的情況下，平均每位病例篩查時間減少了１４秒。這不僅提高了醫生的工作效率，還增強了他們的診斷信心。此外，ＡＩ系統能準確標記大多數癌癥相關的結節區域，為放射科醫生提供更有針對性的判斷依據，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，從而降低醫療系統的負擔。這對于醫療資源緊張的地區尤為重要。未來通過整合全球多地數據，該ＡＩ系統能在早期發現肺癌方面發揮更大作用，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。
從精準的醫學圖像分割到提升診療公平性，再到篩查效率，這些新技術正為醫學創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療環境，讓我們享受到更高效、更精準的診療服務。希望未來，ＡＩ能夠在醫療健康領域發揮更大的潛力，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：文章來源于網絡，如有侵權，請聯系刪除
