单次CT扫146种病精准度超23名医生,阿里这个医疗AI在憋什么大招
单模型看146种病,准确率什么水平?
AUC是衡量模型区分患病者和正常人能力的指标,数值越接近1表示区分能力越强。0.913这个数字意味着,在近4万例真实腹部CT检查中,模型对疾病有无的判断已经接近专家水准。更直接的比较是同时进行的医生盲测:26名来自多家医院的影像科医生分别读片,模型平均表现超过了其中23人。技术层面的关键在于,达摩院没有沿用传统“一病一模”的训练路径,而是让模型直接学习CT影像与诊断报告的对应关系,通过“器官级细粒度对齐”策略,在解剖结构层面建立图像与文字的关联。1
通用模型和“一病一模”有什么区别?
医疗影像AI过去通常采用“专病模型”路径:肺结节一个模型、胰腺癌一个模型,各自独立训练、针对单一病种。这类方案在特定病种上精度较高,但每训练一个新病种就需要约两年时间、投入大量人工标注数据,且训练好的模型无法迁移到其他疾病。通用模型的核心目标是用一个模型同时覆盖多种疾病,减少对单病种标注数据的依赖。DAMO RADAR选择从腹部增强CT切入,是因为这份检查通常涉及肝脏、胰腺、胆囊、胃肠道等多个器官,器官之间相互重叠、密度相近,病变信号可能非常细微——恰好是“一病一模”最难处理的场景。1
两种路线各有适用场景。专病模型的核心价值在于高精度,适合已知患者主诉、只需确认某一病种的情况;通用模型的核心价值在于广覆盖,能在单次检查中同时排查多种异常,降低漏诊风险。达摩院方面的判断是,两条路线不是取代关系,而是在不同临床场景下各展所长。1
选AI辅助工具要看哪些硬指标?
数据质量和可解释性容易踩哪些坑?
当前文章无评论,是时候发表评论了