← 返回首頁

醫療AI跨越10種影像類型,EVLF-FM讓診斷答案對照病灶位置

從辨識疾病到標示影像依據,EVLF-FM嘗試讓醫療AI的判斷更容易核查。研究呈現跨影像任務的潛力,但測試集上的成績,距離診間裡的可靠助手仍有一段路。

By SURL BioNews

醫療影像AI若只給出疾病名稱,醫師仍得追問:它究竟看見了什麼?10月29日刊登於《Nature Medicine》的研究,將這個問題放進模型設計。研究團隊開發的EVLF-FM結合疾病辨識、影像問答與病灶定位,希望讓使用者能把文字判斷與影像中的具體區域相互對照。

根據正式發表的研究,模型開發與測試合計使用超過130萬筆樣本,涵蓋10種影像類型,並另外以13,443筆樣本進行外部驗證。內部驗證的平均診斷準確率為89.5%。這項數字描述的是研究設定下的平均表現,不能直接解讀為模型面對所有疾病、所有醫院影像時,都有相同的辨識能力。

EVLF-FM的另一項核心能力,是將回答連結到影像位置。除了回答影像相關問題,模型也能以像素層級標示相關區域,讓人檢查其判斷是否對應可見的病灶。這種呈現方式提供了核查線索;不過,標示看似合理,仍不等於診斷正確,也不能單憑一段流暢解釋就確認推理可靠。

研究團隊的官方程式庫進一步說明,訓練先透過醫療影像與文字資料進行監督式微調,再使用稱為GRPO的強化學習方法,同時納入任務表現與臨床推理一致性的獎勵。其設計意圖,是讓模型兼顧答案與說明,使診斷、問答和定位能在同一套系統中運作。

解讀成果時,也需要分清研究版本。作者於2025年9月發布的arXiv預印本,記載23個開發資料集、11種影像類型及8,884筆外部測試樣本,內部平均診斷準確率為85.8%。這些早期數字與正式論文不同,不能混合引用,也不能只憑兩個準確率的差距,推論模型在相同條件下提升了多少。

團隊已公開訓練與評估程式碼,以及可下載的模型權重,為其他研究者檢驗方法提供入口。但官方程式庫特別註明,釋出的模型版本以公開資料集訓練。因此,下載取得的模型是否能重現正式論文中的各項結果,仍須核對使用的資料、模型版本與評估條件。

對臨床而言,下一關是確認這些能力能否改善實際照護。研究仍需在更多元的醫療環境中驗證,並透過前瞻性臨床研究,評估安全性、有效性及實際用途。跨越多種影像類型、提供可核查的視覺依據,讓EVLF-FM具備進一步研究的價值;能否成為日常診療工具,則要由真實工作流程中的證據回答。

References

  1. Nature Medicine
  2. EVLF-FM research team / GitHub
  3. arXiv