核心观点 - 中国科学院深圳先进技术研究院等机构联合开发出一种名为AFLoc的人工智能模型 该模型无需医生预先标注病灶 即可在多种医学影像中自动定位病灶并诊断疾病 有效减少了对大规模人工标注数据的依赖 为临床影像AI迈向自监督学习提供了新路径 [1][3][5] 技术原理与创新 - 模型通过“对照学习”同时学习医学影像本身和医生撰写的临床报告 从而理解疾病描述对应的影像区域 最终实现无需人工标注的病灶定位 [3] - 该技术有效规避了传统深度学习方法对大规模人工标注数据的依赖 显著提升了医学影像数据的利用效率与模型的泛化能力 [5] 模型性能验证 - 研究团队在胸部X光 眼底影像和组织病理图像三种典型医学影像模态上对AFLoc进行了系统验证 模型均表现出优异性能 [3] - 在胸片实验中 AFLoc在覆盖34种常见胸部疾病 涉及8个主流公开数据集的测试中 其病灶定位指标优于现有方法 并在多个病种中达到甚至超越人类专家水平 [3] - 在眼底影像和病理图像任务中 AFLoc同样展现出稳定的病灶定位能力 其定位精度优于当前主流模型 [3] 疾病诊断能力 - 除病灶定位外 AFLoc还展现出强大的疾病诊断能力 在胸部X光 眼底和组织病理图像的零样本分类任务中 其整体表现均优于现有方法 [3] - 尤其在眼底视网膜病变诊断中 AFLoc的零样本分类性能甚至超越了部分依赖人工标注数据微调的模型 [3] 行业影响与未来计划 - 该模型为临床影像AI从“依赖手工标注”迈向“自监督学习”提供了可行路径 也为构建更智能 更具通用性的医学人工智能系统提供了新的技术范式 [5] - 研究团队未来计划进一步推动AFLoc在多中心真实临床场景中的验证与应用 加速其向临床辅助诊断系统的转化落地 [5]