波士頓大學MRI模型僅用10張掃描達到83% Dice分數

波士頓大學研究人員打造了一款用於腦部MRI分析的Transformer AI模型，僅需不到10張已標記掃描即可達到83%的Dice分數，有望縮短中風和失智症患者的診斷等待時間。

「在許多情況下，醫院可以取得影像數據，但缺乏足夠的專家標註樣本來從零訓練大型模型，」波士頓大學工程學院傑出教授張欣表示。「我們希望建立一個系統，能夠從現有數據中學習，即使標註數據有限仍能表現良好。」

該團隊在3100萬張未標記、去識別化的MRI影像上訓練了一個遮罩自編碼器（masked autoencoder），這些影像主要來自大型公開數據集。該模型可針對臨床任務進行微調，包括影像修復、序列檢測、顱骨剝離及腦區分割。在測試中，它在識別顱骨與腦組織邊界方面超越了其他競爭研究團隊，並且即使在僅用不到10張已標註掃描進行微調的情況下，仍獲得了超過83%的Dice分數——這是評估機器學習表現的常用指標。

這項技術可將MRI檢查時間從20至30分鐘縮短至12至15分鐘，減少患者運動偽影並實現更快速的診斷。波士頓大學Chobanian & Avedisian醫學院放射學助理教授、同時也是波士頓醫學中心神經放射科醫師的查德·法里斯表示，早期檢測對中風等疾病具有重要的臨床意義，因為「即使一兩個小時也可能造成巨大差異」。

為什麼預訓練模型對醫學影像至關重要

這種方法解決了長期阻礙AI進入臨床放射學的兩大障礙。首先，目前的方法需要針對每種疾病或病症從零開始訓練獨立的模型——開發者正在為出血檢測、動脈瘤檢測等任務分別建立獨立演算法，法里斯表示。其次，訓練此類模型需要數千張手動標註的影像，而這個過程「耗時漫長」，因為神經放射科醫師必須逐張手動標註每張掃描，張欣說道。

「你不可能取得一萬張已標註的腦部MRI，」張欣表示。「這根本不現實。」

遮罩自編碼器方法同時迴避了這兩個問題。在預訓練過程中隨機遮蔽影像區塊，使模型無需標籤即可學習腦部解剖結構的一般模式。臨床機構隨後只需少數經過驗證的樣本即可將其調整至特定任務。

這項發表於《Frontiers in Artificial Intelligence》期刊的研究成果，正值患者日益轉向通用型AI聊天機器人尋求醫學解讀之際。2026年KFF民調顯示，33%的美國成年人使用AI聊天機器人獲取健康建議，19%的人使用AI專門解讀檢驗報告或醫學檢測結果。OpenAI表示，每週有超過3億人在ChatGPT上提出與健康相關的問題。

然而，通用型聊天機器人在醫學影像解讀方面仍不可靠。張欣實驗室的機械工程博士生李夢宇測試了一款商用聊天機器人，該機器人竟將膝蓋誤認為脊椎。「回應聽起來可能正確，但實際上可能是錯的，」李夢宇表示。「這就是為什麼至今仍沒有任何獲得FDA批准、用於分析MRI的代理型AI。」

競爭格局與投資視角

波士頓大學的模型進入了競爭激烈的醫療AI領域。電子病歷供應商Epic Systems已在其軟體中內建AI助手。Anthropic的Claude可以連接部分用戶的醫療記錄。OpenAI則在7月推出了連結用戶醫療記錄和穿戴裝置數據的健康功能。

然而，這些通用型工具均未獲得FDA批准用於MRI分析。波士頓大學團隊的方法——在未標記數據上進行預訓練，再以極少量標籤進行微調——可為醫院提供一條部署AI的途徑，無需承擔手動標註的巨大成本。

對投資者而言，其影響橫跨多個產業。隨著預訓練模型降低了對大型標註數據集的需求，醫學影像AI公司的數據優勢可能縮小。波士頓醫學中心等機構的放射科可望獲得更快的周轉時間和更低的成本。法里斯表示，這項技術最終可能擴展至腦部以外的其他器官，並稱其為「建立能夠比現行純影像方法更早、更準確識別疾病之計畫的墊腳石」。

本文僅供資訊參考，不構成投資建議。