導語

由醫學圖像判斷疾病的發展情況，是一項難度很高且責任巨大的工作。能否利用飛速發展的人工智慧（AI）技術，幫醫生更快速、更精準地解讀圖像資訊，讓每一位患者受益？

在醫院裏，CT、磁共振等設備産生的醫學圖像對疾病診斷至關重要，但這些圖像裏的關鍵資訊經常藏得很深，解讀它們是一項巨大挑戰。為了讓圖像更加清晰地顯示患者的健康狀況，上海交通大學生物醫學工程學院團隊教AI“看懂”醫學圖像，輔助醫生工作。

讓AI“看懂”複雜的顱腦創傷

在眾多醫學圖像中，腦影像是最複雜、最精密的領域之一。針對顱腦創傷磁共振影像分析中存在的分割標記數據量少、病灶區域多變以及形變干擾等難題，團隊創新性地提出了基於對抗訓練與不確定性校正的單樣本分割演算法，在AI的學習過程中引入了一種“對抗訓練”機制，讓AI在“博弈”中自我提升，從而生成更多樣、更逼真的模擬數據，增強了模型的穩健性；還讓AI學會識別圖像中的“不確定性”，自動校正血腫等病變帶來的干擾，使得對腦區的標注更加精準（見圖1）。這項技術在上海華山醫院得到了驗證，表現優於同類方法。

圖1 腦影像全流程智慧處理與分析

此外，為了應對臨床中常遇到的圖像品質不一、模態缺失等問題，團隊還開發了名為Uni-COAL的統一框架。它既能實現不同模態圖像之間的高品質相互合成，又能將低解析度的圖像重建成高清圖像。這意味著，即使在數據不完美的醫療場景中，系統也能為醫生提供更全面、更清晰的決策依據。

在骨關節與病理篩查中實現突破

AI影像分析技術不僅可用於腦部，在骨關節健康領域也取得了突破。例如在膝關節損傷診斷中，標注數據稀缺是一大挑戰。團隊提出了基於半監督學習的模型構建框架，實現了用僅10%的標注數據達到高效模型訓練的效果，大幅降低了對大量標注數據的依賴，並能精準定位病灶區域。在膝關節組織分割方面，團隊開發的CAS-Net新框架，能夠由常規的多視圖二維磁共振圖像精準生成三維膝關節模型，讓醫生能夠立體、直觀地審視病情。

此外，團隊還將AI技術應用於病理篩查。例如，針對宮頸異常細胞檢測，團隊提出了一種優化方法，使AI在學習時更注重局部細節的一致性，從而提升了篩查準確性（見圖2），為宮頸癌等疾病的早發現、早治療提供了技術保障。

圖2 基於病理圖像分析的宮頸癌智慧篩查系統

醫學圖像裏藏著生命的密碼，而上海交通大學生物醫學工程學院團隊用AI科技解密，讓醫學圖像不再晦澀難懂，為人們的健康構築起一道更前沿的技術防線。

作者：張立箎，上海交通大學生物醫學工程學院副教授