成人AI接力30家医院：持续学习让新生儿胸片插管定位误差降至0.40厘米

文/IAICA.NGO®

人工智能已经深刻改变了成人医学影像的解读方式，但它对最小患者的覆盖却异常有限。在市面上可获得的商业AI模型中，获得儿科使用许可的不足五分之一；仅约17%的商业模型拿到了美国食品药品监督管理局针对儿科患者的批准。这一落差并非技术能力所致，而是结构性的：儿童在公开医学影像数据集中占比不足1%，隐私法规限制了医院之间的数据共享，而儿科影像的整理与标注需要大量临床人力，多数单一机构无力承担。结果是，大多数儿科AI模型只基于单中心数据训练，很少报告外部验证，一旦跨出机构边界便精度骤降。发表在《自然·生物医学工程》上的一项国际研究显示，一种看似简单的训练策略可以打破这一僵局。

儿科AI的结构性缺口

研究团队聚焦的任务是胸部X光片上气管插管位置的判读，这是刻意选择的概念验证场景。成人重症监护领域已有若干AI工具获得批准用于核查导管位置，但新生儿尚无任何商业方案。新生儿插管位置错误后果严重：导管插入过深会导致单肺通气并引发肺不张，而误报则可能触发不必要的重新插管，增加操作风险并引起血流动力学不稳定。正是这种高临床风险与零商业供给的错位，让该任务成为检验新训练范式的理想切口。

把模型权重变成接力棒

这项研究由哈佛医学院的Vishwanatha M. Rao、Emma Chen与Agustina Saenz主导，在Pranav Rajpurkar指导下完成，集结了20个国家和地区共30个新生儿重症监护病房，构成新生儿AI研发史上地理多样性最高的影像队列之一。团队采用的方法名为持续学习，运作逻辑类似一场模型权重的接力赛：一个最初在成人ICU影像上训练的深度学习模型，被依次从一家医院传递到下一家医院。每个站点仅在自己的计算环境中使用50张本地整理的新生儿胸片对模型进行再训练，随后只把更新后的参数转发给下一个机构。没有任何一张患者影像离开医院，不需要组建大型数据集，任何站点也无需配备专门的AI团队。由于流动的只有模型权重，该方法绕开了数据转移协议、跨司法辖区的伦理审批与监管障碍，同时避免了联邦学习所需的同步算力与多轮通信。

CarinaNet的技术底座

底层模型为CarinaNet，一种基于RetinaNet的目标检测器，采用ResNet-50骨干网络与特征金字塔网络，先在大规模自然图像上预训练，再适配到1890张成人ICU胸片。模型检测气管导管尖端与气管隆嵴（气管分为左右主支气管处的软骨嵴）两个结构，输出包围框并以中心点作为预测的解剖标志位置。其训练损失将分类用焦点损失与平滑L1回归结合，并以非对称权重优先关注气管隆嵴——判断插管深度的关键参考点。图像经直方图均衡化统一不同设备的对比度，在保持长宽比的前提下补边缩放至640×640像素，并施加小幅随机旋转与纵向裁剪等增强。

结果与含义

结果具有决定性。气管导管尖端定位的中位误差，从成人模型未经适配直接用于新生儿影像时的2.35厘米，降至医院特异性微调后的0.94厘米，再降至持续学习后的0.40厘米；气管隆嵴定位误差也从1.62厘米的基线明显下降。误差幅度的持续收窄说明，顺序式参数传递既保留了成人数据中的通用特征，也逐站吸收了各地新生儿的成像差异与标注偏好。

iaica.com.cn 认为，这一范式的价值超出气管插管这一单一任务。它把“数据集中”替换为“模型流动”，为隐私敏感、样本稀缺的小儿与罕见病影像场景提供了一条低成本、可复制的路径。但持续学习也带来新的治理问题：权重在机构间流转是否需要新的合规框架，模型经多站更新后如何追溯版本与责任，末站模型能否代表早期站点的人群分布，都尚待验证。儿科AI产品稀缺、外部验证不足的格局不会因一篇论文立刻改变，但制约儿科智能照护的瓶颈，未必在算法本身。

评论

0 条

登录后才可以发表评论。

立即登录

暂无评论，快来抢沙发。