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)療領域持續(xù)發(fā)力，不斷打破學術壁壘與臨床限制，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)學圖像分割技術開辟了全新路徑。

根據(jù)研究團隊發(fā)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(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)等分割任務的多模態(tài)數(shù)據(jù)集?！?】

實驗結(jié)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(jié)果與真實標注越接近）達到88.57%，顯著領先于傳統(tǒng)模型。無論是三維成像的時間關聯(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。

目前，MedSAM-2已在醫(yī)學影像分析和手術規(guī)劃領域初步實現(xiàn)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(yī)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(yī)生制定個性化手術規(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域的潛在應用價值，尤其適用于需要處理海量多模態(tài)醫(yī)學圖像的復雜場景。作為一項技術革命，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技術優(yōu)關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(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?！?】

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(xiàn)。該模型基于約29,000個病例的數(shù)據(jù)，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(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，確保模型在實際應用中持續(xù)優(yōu)化。盡管當前框架主要聚焦醫(yī)療領域，其理念和方法可以推廣至教育、就業(yè)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(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?！?】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(lián)合美國和日本的研究機構(gòu)評估AI技術如何與現(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。希望未來，AI能夠在醫(yī)療健康領域發(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.