醫療科技 · us
醫療影像少些細節,AI還能辨識多少?史丹佛測試小模型的能力邊界
從皮膚病灶到胸部X光,Med-REDUCE發現,降低影像解析度仍能保留大部分辨識表現,小模型也可追上大型模型。但細微病灶可能更容易流失,精簡到哪一步,必須依任務判斷。
醫療影像AI若要走進設備與網路資源有限的診所,除了辨識疾病,也得回答一個實際問題:需要多清楚的影像、多大的模型,才能提供有用的判讀?史丹佛大學研究團隊以Med-REDUCE框架拆解這兩項需求,發現部分影像任務即使少了大量細節,模型仍能保留大部分辨識能力,為降低運算需求提供研究依據。
史丹佛生物醫學資料科學系於11月5日介紹這項研究;論文已於9月23日在《Medical Image Analysis》線上發表。團隊分別測試降低解析度與縮小模型的影響,涵蓋皮膚科、組織病理及放射影像。公開程式庫列出的資料包括ISIC 2017皮膚病灶影像、CheXpert胸部X光,以及癌症基因體圖譜計畫(TCGA)的病理資料。任務從辨識黑色素瘤、區分肺與腦腫瘤類型,到預測KRAS、TP53及EGFR突變,並不全是癌症診斷。
在解析度實驗中,研究者固定DINOv3、ViT-B/16與BiomedCLIP三種預訓練模型的特徵擷取部分,再測試其影像特徵能否支援分類。影像由512×512逐步降至64×64像素,像素總數只剩六十四分之一。依模型與醫療領域不同,領域層級的AUROC下降0.007至0.043。AUROC衡量模型區分不同類別的能力;這些結果顯示整體辨識表現相對穩定,卻不能直接解讀為漏診率只增加了多少。
另一組實驗則透過「知識蒸餾」,讓較小的學生模型學習大型教師模型擷取的影像特徵。在完整解析度下,42組教師、任務與學生模型的比較中,有39組學生表現追平或超越教師,其餘差距均不超過0.004 AUROC,且落在不同隨機種子造成的變動範圍內。參數約2,100萬至2,500萬的學生模型,也能追上或超越8,600萬參數的教師,將參數量縮至約四分之一。
這兩組結果支持的是兩條精簡路徑:影像資訊可以減少到什麼程度,以及模型能否用更少參數完成任務。它們並不等於證實,將最低解析度與最小模型組合後,所有任務都能維持相同表現。參數減少也不能直接換算成同等幅度的省電或加速;實際效益仍取決於硬體、模型架構與使用流程。
影像中的細節也有不同分量。依史丹佛的研究介紹,胸部X光上的心臟擴大較容易在低解析度下辨識,但氣胸這類可能涉及細微徵象的異常更具挑戰。這提醒研究者,平均指標保留得不錯,仍可能掩蓋特定病灶的損失;是否能降低影像品質,必須回到要找的是什麼疾病、哪些錯誤最具後果。
團隊已公開程式碼,並以共用的訓練與測試切分、三組隨機種子支持結果重現。較小影像與模型未來可能有助於遠距傳輸及可攜設備,但目前證據仍來自既有資料集的受控評估,尚未確立臨床就緒程度。若要用於診療,仍須確認跨設備與不同病人族群的可靠性,並在實際流程中驗證漏診風險。這項工作的價值,是讓醫療AI的精簡有了可檢驗的尺度,也讓哪些細節不能省略,成為下一步必須回答的問題。