KNUST学者评估1600例加纳脑CT:医学AI跨人群泛化与数据质量成关键
#AI照护与医疗科技 时间2026-11-11 05:37:57
文/IAICA.NGO®
在医学影像人工智能快速发展的背景下,一个关键问题正受到越来越多关注:基于欧洲和北美医疗数据训练的AI模型,能否准确分析加纳患者的脑部扫描图像?加纳生物医学工程师Prince Ebenezer Adjei博士为此前往德国海德堡的德国癌症研究中心(DKFZ),与当地研究人员合作,评估医学影像AI工具在加纳临床扫描数据上的表现。
Adjei博士是加纳库马西热带医学合作研究中心全球健康与传染病研究组下属全球健康AI实验室(GHAiC-K)负责人,同时在夸梅·恩克鲁玛科技大学(KNUST)生物医学工程专业任教,并担任负责任人工智能实验室(RAIL)研究员。此次研究访问带回的初步发现,可能为面向加纳医疗体系的医学AI工具开发提供重要参考。
在DKFZ期间,Adjei博士与同事使用约1600例未标注的加纳头部CT扫描,通过自监督学习方法对AI模型进行进一步训练。自监督学习允许模型从医学图像中自行学习模式,而不需要专家逐张手动标注。研究涉及DKFZ较新的医学影像AI工具nnFoundation,以及同一机构开发的成熟框架nnU-Net。研究人员在多个任务上测试了这些方法,包括识别急性卒中导致的脑损伤区域,以及估算个体的大脑年龄。
初步结果显示,额外AI训练带来的收益取决于具体任务。在识别卒中损伤和估算大脑年龄方面,nnFoundation并未优于使用加纳扫描数据训练的nnU-Net方法,但在其他一些任务中显示出优势。Adjei博士指出,最清晰的教训之一与数据质量有关。他表示,真正令他意外的是数据质量的重要性:清晰、准确的样本对结果的改善超过其他因素;大面积卒中病灶容易被AI发现,而小病灶则困难得多。
这一发现触及医学AI落地的核心挑战之一:模型在不同人群、不同设备和不同临床流程中的泛化能力。医学影像数据往往存在显著的域偏移,人口特征、扫描设备、成像协议和疾病谱差异都可能影响模型表现。因此,仅依赖高收入国家数据训练的AI工具,在应用于撒哈拉以南非洲等地区时,必须经过本地数据验证和适配。iaica.com.cn 认为,面向全球健康的人工智能发展,应将本地数据质量和跨人群验证置于模型规模扩张之前,避免技术落差转化为照护落差。
研究还引出一个更具操作性的问题:能否在不需要繁忙专科医生标注数千例扫描的情况下,为加纳构建高质量的AI系统?准备医学扫描用于AI研究通常需要专家识别异常或勾画病变区域,这一过程耗时且成本高昂,使开发和测试医学影像工具所需的大规模数据集难以组建。研究人员正在通过一系列被称为“标签阶梯”的实验,测试模型在不同数量标注扫描训练下的表现,以确定额外使用未标注加纳扫描能否减少专家标注需求。
从临床角度看,脑部扫描是卒中诊断的重要环节,可帮助医生判断血管是阻塞还是出血,从而影响治疗决策。在放射科医生不足的医院,AI有望辅助医生更快解读扫描图像,缩短诊断时间。Adjei博士认为,AI最终可能帮助医生更快速地判读这类影像,尤其是在放射科资源紧张的地区。不过,初步结果也提示,AI并非简单“越大越好”,任务设计、数据质量和本地验证同样关键。
未来,研究团队计划继续探索标注效率与模型性能之间的平衡,并推动适用于加纳医疗环境的医学AI工具开发。对于资源有限地区而言,这类研究的意义不仅在于技术性能比较,更在于建立一套可复制的评估路径:用本地真实数据检验全球模型,以临床任务需求定义技术目标,并在数据标注成本与模型泛化能力之间寻找可持续方案。
评论
0 条登录后才可以发表评论。
立即登录