导语

由医学图像判断疾病的发展情况，是一项难度很高且责任巨大的工作。能否利用飞速发展的人工智能（AI）技术，帮医生更快速、更精准地解读图像信息，让每一位患者受益？

在医院里，CT、磁共振等设备产生的医学图像对疾病诊断至关重要，但这些图像里的关键信息经常藏得很深，解读它们是一项巨大挑战。为了让图像更加清晰地显示患者的健康状况，上海交通大学生物医学工程学院团队教AI“看懂”医学图像，辅助医生工作。

让AI“看懂”复杂的颅脑创伤

在众多医学图像中，脑影像是最复杂、最精密的领域之一。针对颅脑创伤磁共振影像分析中存在的分割标记数据量少、病灶区域多变以及形变干扰等难题，团队创新性地提出了基于对抗训练与不确定性校正的单样本分割算法，在AI的学习过程中引入了一种“对抗训练”机制，让AI在“博弈”中自我提升，从而生成更多样、更逼真的模拟数据，增强了模型的稳健性；还让AI学会识别图像中的“不确定性”，自动校正血肿等病变带来的干扰，使得对脑区的标注更加精准（见图1）。这项技术在上海华山医院得到了验证，表现优于同类方法。

图1 脑影像全流程智能处理与分析

此外，为了应对临床中常遇到的图像质量不一、模态缺失等问题，团队还开发了名为Uni-COAL的统一框架。它既能实现不同模态图像之间的高质量相互合成，又能将低分辨率的图像重建成高清图像。这意味着，即使在数据不完美的医疗场景中，系统也能为医生提供更全面、更清晰的决策依据。

在骨关节与病理筛查中实现突破

AI影像分析技术不仅可用于脑部，在骨关节健康领域也取得了突破。例如在膝关节损伤诊断中，标注数据稀缺是一大挑战。团队提出了基于半监督学习的模型构建框架，实现了用仅10%的标注数据达到高效模型训练的效果，大幅降低了对大量标注数据的依赖，并能精准定位病灶区域。在膝关节组织分割方面，团队开发的CAS-Net新框架，能够由常规的多视图二维磁共振图像精准生成三维膝关节模型，让医生能够立体、直观地审视病情。

此外，团队还将AI技术应用于病理筛查。例如，针对宫颈异常细胞检测，团队提出了一种优化方法，使AI在学习时更注重局部细节的一致性，从而提升了筛查准确性（见图2），为宫颈癌等疾病的早发现、早治疗提供了技术保障。

图2 基于病理图像分析的宫颈癌智能筛查系统

医学图像里藏着生命的密码，而上海交通大学生物医学工程学院团队用AI科技解密，让医学图像不再晦涩难懂，为人们的健康构筑起一道更前沿的技术防线。

作者：张立箎，上海交通大学生物医学工程学院副教授