著名ＡＩ科技公司ＤｅｅｐＭｉｎｄ　首席执行官　Ｄｅｍｉｓ　Ｈａｓｓａｂｉｓ这样评价这个时代：＂我们正处于几乎可以用　ＡＩ　治愈所有疾病的射程范围内。＂２０２４年，ＡＩ在医疗领域持续发力，不断打破学术壁垒与临床限制，为疾病诊疗、医学影像分析等方面提供了革命性解决方案。国外研究团队的多项突破，进一步推动了医疗行业的全球化协同创新。

一、牛津大学：引领医学图像分割新纪元

医学图像分割是将医学图像中的关键区域或结构准确提取，以支持临床诊断和病理研究。然而，这一领域长期面临数据异构性和模型泛化能力不足的挑战。为解决这些问题，牛津大学团队专注于医学图像分割技术的创新，特别是在三维医学图像处理和单次提示分割能力上不断突破。他们基于Ｍｅｔａ公司开发的Ｓｅｇｍｅｎｔ　Ａｎｙｔｈｉｎｇ　Ｍｏｄｅｌ　２（ＳＡＭ　２）框架，推出了Ｍｅｄｉｃａｌ　ＳＡＭ　２（ＭｅｄＳＡＭ－２），为医学图像分割技术开辟了全新路径。

根据研究团队发表于预印本平台ａｒＸｉｖ上的论文《Ｍｅｄｉｃａｌ　ＳＡＭ　２：　Ｓｅｇｍｅｎｔ　ｍｅｄｉｃａｌ　ｉｍａｇｅｓ　ａｓ　ｖｉｄｅｏ　ｖｉａ　Ｓｅｇｍｅｎｔ　Ａｎｙｔｈｉｎｇ　Ｍｏｄｅｌ　２》所述，其核心创新有三点：首先，将医学图像作为视频的处理，通过将三维医学图像视为具有时间关联的视频数据，从而优化了对３Ｄ图像分割的处理流程。其次，优化了单次提示分割能力，用户只需为一种新目标提供单个提示，模型即可自动分割后续图像中同类对象，显著减少了对人工提示的依赖。最后，强化了多模态与高泛化能力，团队利用丰富的数据集验证了ＭｅｄＳＡＭ－２的适应性，包括针对腹部多器官分割的ＢＴＣＶ数据集和用于脑肿瘤、甲状腺结节等分割任务的多模态数据集。【１】

实验结果显示，ＭｅｄＳＡＭ－２在多器官分割任务中的Ｄｉｃｅ评分（常用的衡量图像分割准确性的指标，值越接近１００％说明分割结果与真实标注越接近）达到８８．５７％，显著领先于传统模型。无论是三维成像的时间关联处理，还是二维成像的单次提示，ＭｅｄＳＡＭ－２都在模型泛化性和操作便捷性上超越了前代技术。

目前，ＭｅｄＳＡＭ－２已在医学影像分析和手术规划领域初步实现了落地应用。在癌症影像诊断中，ＭｅｄＳＡＭ－２可快速分割肿瘤边界，为临床医生提供更精准的病灶信息。在个性化手术方案设计时，通过对患者器官和组织的精细分割，该模型支持外科医生制定个性化手术规划。在器官移植和病理研究中，ＭｅｄＳＡＭ－２的高精度分割能力能够显著提升术前评估与诊断的效率。

此外，ＭｅｄＳＡＭ－２还展示出在甲状腺结节检测、脑肿瘤分析及皮肤病变分割等多个细分领域的潜在应用价值，尤其适用于需要处理海量多模态医学图像的复杂场景。作为一项技术革命，ＭｅｄＳＡＭ－２不仅优化了医学图像分割的效率与精度，还为解决医学图像分析中的数据异构性提供了新思路。

二、谷歌ＡＩ团队：医学ＡＩ工具公平性评估框架

面对基于机器学习的医疗工具是否能够实现公平性的难题，谷歌ＡＩ团队提出了创新性的健康公平评估框架（ＨＥＡＬ）。该框架的核心目标是确保ＡＩ技术优关注那些健康状况较差的群体，以减少因结构性不平等（如社会、经济和种族差异）导致的健康结果差异。

根据谷歌发布于官网的报告《ＨＥＡＬ：　Ａ　ｆｒａｍｅｗｏｒｋ　ｆｏｒ　ｈｅａｌｔｈ　ｅｑｕｉｔｙ　ａｓｓｅｓｓｍｅｎｔ　ｏｆ　ｍａｃｈｉｎｅ　ｌｅａｒｎｉｎｇ　ｐｅｒｆｏｒｍａｎｃｅ》，ＨＥＡＬ框架包含四个关键步骤：首先通过选取种族、性别、年龄等可能影响健康公平的因素，明确ＡＩ工具的评估标准，识别与健康不公平相关的因素并定义工具性能指标

随后利用失能调整生命年（ＤＡＬＹｓ）和生命损失年数（ＹＬＬｓ）等指标，描述不同群体的健康差异，量化现有的健康差异。再测量工具在各子群体中的表现，比较ＡＩ工具在不同群体的预测准确性。最后评估工具在健康差异中的优先级，通过计算ＨＥＡＬ指标，衡量ＡＩ工具在健康公平性方面的表现。ＨＥＡＬ指标反映了模型性能与健康差异之间的反相关性，即工具是否优先提升了健康状况较差群体的诊疗效果。【２】

谷歌团队将ＨＥＡＬ框架应用于皮肤科ＡＩ模型的评估，研究其在不同种族、性别和年龄群体中的表现。该模型基于约２９，０００个病例的数据，旨在预测２８８种皮肤病，通过分析患者皮肤照片及相关信息，生成可能的诊断列表。研究团队使用约５，４２０个病例的数据集对模型进行评估，其中包含多样化的年龄、性别和种族或族裔信息。

作为评估健康公平性的工具，ＨＥＡＬ框架可为医疗监管机构提供科学依据，帮助制定有针对性的政策，促进健康资源的合理分配。ＨＥＡＬ框架还可用于部署后的ＡＩ医疗工具监测，建立健康公平性仪表盘，确保模型在实际应用中持续优化。尽管当前框架主要聚焦医疗领域，其理念和方法可以推广至教育、就业等其他社会领域，为解决不平等问题提供新的视角。

三、谷歌　ＡＩ　团队：ＡＩ辅助肺癌筛查的工作流程

２０２４年２月，国家癌症中心发布的《２０２２年中国癌症发病率和死亡率》报告指出，肺癌仍是我国恶性肿瘤发病和死亡的首要原因。【３】尽管诊疗技术不断进步，但诊断延误与过度治疗等问题依然突出。

针对筛查癌症方面的困难，谷歌　ＡＩ　团队联合美国和日本的研究机构评估ＡＩ技术如何与现有筛查工作流程深度融合，并探索其在不同国家特定指南和评分管理协议下的有效性。研究团队通过对６２７例低剂量胸部ＣＴ病例（包括１４１例癌症阳性病例）的分析，涵盖了多种结节类型，如实性结节、部分实性结节和非实性结节，为优化ＡＩ筛查流程提供了充足的数据支持。

根据团队联合发表于《Ｒａｄｉｏｌｏｇｙ　ＡＩ》期刊上的文章《Ａｓｓｉｓｔｉｖｅ　ＡＩ　ｉｎ　Ｌｕｎｇ　Ｃａｎｃｅｒ　Ｓｃｒｅｅｎｉｎｇ：　Ａ　Ｒｅｔｒｏｓｐｅｃｔｉｖｅ　Ｍｕｌｔｉｎａｔｉｏｎａｌ　Ｓｔｕｄｙ　ｉｎ　ｔｈｅ　Ｕｎｉｔｅｄ　Ｓｔａｔｅｓ　ａｎｄ　Ｊａｐａｎ》总结的研究进展，人工智能辅助筛查在美国和日本两地的特异性分别提高了５．５％和６．７％，而敏感性未显著下降。在ＬｏＳ（怀疑程度评分）和ＡＵＣ（接收器操作特性曲线面积）的综合评估中，ＡＩ辅助筛查的表现显著优于传统方法。尤其是在癌症阳性病例中，ＡＩ系统标记了美国８９％和日本７５％的重点结节，显著提升了医生的诊断效率。【４】

研究发现，有ＡＩ辅助的情况下，平均每位病例筛查时间减少了１４秒。这不仅提高了医生的工作效率，还增强了他们的诊断信心。此外，ＡＩ系统能准确标记大多数癌症相关的结节区域，为放射科医生提供更有针对性的判断依据，减少了不必要的随访和活检建议。

这项研究验证了人工智能在复杂筛查流程中的实际效用，ＡＩ辅助筛查能够减少不必要的随访和频繁的肺活检，从而降低医疗系统的负担。这对于医疗资源紧张的地区尤为重要。未来通过整合全球多地数据，该ＡＩ系统能在早期发现肺癌方面发挥更大作用，尤其是在提高诊断阳性率和减少漏诊风险方面，为患者争取更多治疗时间。

从精准的医学图像分割到提升诊疗公平性，再到筛查效率，这些新技术正为医学创新提供更有力的支持。期望这些研究能尽快落地，逐步进入到我们的日常医疗环境，让我们享受到更高效、更精准的诊疗服务。希望未来，ＡＩ能够在医疗健康领域发挥更大的潜力，真正造福每一位需要帮助的人。

参考资料：

【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：文章来源于网络，如有侵权，请联系删除