科学家开发出一款革命性人工智能工具，该工具仅需少量医疗影像即可辅助医生快速准确识别疾病。这项突破性技术特别适用于患者扫描数据有限的场景，可大幅降低医学影像软件的训练成本。
这款AI工具在医疗影像分割领域取得重要进展。传统影像分割需由专家对图像每个像素进行标注（如区分癌变组织与正常组织），深度学习虽能部分自动化该流程，但通常需要大量标注数据。加州大学圣地亚哥分校电子与计算机工程系博士生张莉指出，创建这类数据集需要大量专家劳动和时间投入，而许多医疗场景根本无法获取足够数据。
该工具的核心突破在于：通过仅需少量专家标注样本即可完成训练，将数据需求降至传统方法的1/20。项目负责人张莉表示，这项技术可能催生更快速、更经济的诊断工具，特别适用于资源有限的医疗机构。
在*《自然通讯》*发表的研究中，该工具成功应用于五大医疗场景：皮肤镜图像的皮肤病变识别、超声波扫描的乳腺癌检测、胎儿内窥镜图像的胎盘血管分析、结肠镜图像的息肉检测以及普通相机拍摄的足部溃疡识别。在三维影像应用中，该工具可精确绘制海马体和肝脏的结构图谱。
测试数据显示，在标注数据极度稀缺的情况下，新工具模型性能提升10-20%。相较传统方法，其所需真实训练数据减少8-20倍，却能实现同等或更优的识别效果。以皮肤癌诊断为例，传统流程需要数千张标注图像，而该工具仅需约40张专家标注样本即可实现病变区域实时识别。
该系统采用分阶段工作流程：首先学习从分割掩码生成合成影像（即算法用颜色标记健康/病变区域的叠加图），再利用生成能力创建新的人工影像-掩码对，与真实数据共同训练分割模型。通过持续的反馈循环，系统根据模型学习效果优化生成数据，实现数据生成与模型训练的深度融合。
研究团队强调，这是首个将数据生成与分割模型训练集成的系统。这种闭环机制确保合成数据不仅逼真，更精准提升模型的分割能力。未来研究方向包括增强工具的智能水平，以及直接整合临床医生反馈以优化数据生成的临床相关性。
该研究获美国国家科学基金会（IIS2405974、IIS2339216）和国立卫生研究院（R35GM157217、R21GM154171）资助。
【全文结束】
