醫療人工智慧 · global
讓診斷對得上影像:醫療AI模型EVLF-FM結合判讀與視覺解釋
從眼底影像到病理切片,EVLF-FM嘗試一面辨識疾病,一面指出相關影像區域。跨模態測試提供了初步證據,但解釋是否可靠、能否改善真實診療,還需要前瞻性研究。
醫師閱讀一份AI影像判讀結果時,需要核對的不只是疾病名稱,還有影像中哪些線索支持這項判斷。10月29日刊於《Nature Medicine》的研究提出EVLF-FM,將疾病辨識、影像問答與區域定位整合於同一模型,嘗試讓診斷建議附上可供查核的視覺依據。
正式論文的開發與測試涵蓋逾130萬份樣本,橫跨10種影像模態、六個臨床專科,包括眼科、皮膚科與病理科;另以13,443份獨立樣本進行外部驗證。這樣的設計,是要檢驗模型能否跨越不同影像形式,而非只熟悉單一類型的資料。
EVLF-FM結合監督式微調與視覺強化微調,除了回答影像相關問題,也能將文字描述連結至像素層級的影像區域。對臨床使用而言,這項功能的潛在價值,是讓醫師能把模型提出的異常與原始影像逐一比對。
期刊版本報告,模型在內部疾病診斷驗證的平均準確率為89.5%,高於研究中的比較模型。不過,這是特定資料與任務下的平均成績,不能直接視為每種疾病或每家醫院都能達到的準確率,更不等於已證實能改善患者照護。
這項研究的數字也經歷版本變動。2025年9月公開的arXiv預印本記載11種影像模態、8,884份外部驗證樣本,內部診斷平均準確率為85.8%;正式發表則更新了資料範圍與結果。兩個版本的數字不能混用,準確率差異也不能單獨解讀為模型能力提升的幅度。
能指出影像區域,仍不代表模型完整揭露了自己的決策過程。論文將這類輸出界定為事後解釋,並評估其與證據的一致性;因此,呈現得清楚與判斷得正確,仍是需要分別檢驗的問題。
研究團隊指出,常規臨床部署前,仍須在更多元的醫療環境進行驗證,並以前瞻性研究評估安全性、有效性與臨床效用。接下來的關鍵,是這些可供查核的解釋,能否在真實診療流程中幫助醫師辨認錯誤,並作出更可靠的判斷。