← 返回首頁

用合成影像教AI讀快篩:SynSight在HIV與新冠測試展現判讀能力

訓練快篩判讀模型,未必得先蒐集龐大的真實照片庫。SynSight以模擬影像訓練,在HIV與新冠快篩驗證中取得良好表現,但影像讀得準,距離臨床診斷可靠仍有一段路。

By SURL BioNews

快篩把檢測帶離實驗室,結果卻仍需要有人讀懂。若要讓人工智慧協助判讀,開發者往往得先蒐集大量照片,再逐一標註;對新推出或影像資料不足的試劑,這道門檻尤其明顯。一項新研究嘗試換個起點:先用電腦生成訓練影像,再檢驗模型能否讀懂實際快篩。

11月10日刊於《npj Digital Medicine》的研究介紹了SynSight,一套以合成資料訓練的快篩影像分割與分類流程。期刊摘要報告,模型在HIV快篩驗證中的敏感度為98%、特異度為99%,新冠快篩的準確率最高達99%。目前公開的是經同儕審查接受、尚待後續編修的提前發布版本。

這套方法的技術輪廓,可從倫敦大學學院(UCL)2025年研究活動的早期摘要看得更清楚。Elliott Rogers與同事以依據機制生成的合成影像訓練模型,將即時物件偵測與結果分類串在一起:先找出照片中需要分析的檢測區域,再判讀結果。研究試圖減少的,是模型訓練對真實影像庫的依賴。

UCL早期摘要列出的HIV敏感度與特異度分別為98.2%及99.2%;新冠部分則涵蓋兩種抗原快篩與一種抗體快篩,準確率依序為99%、97%及95%。這些是較早階段的數據,不能直接當作此次期刊版本的完整細項,也提醒讀者:「最高99%」並不代表所有快篩都達到同樣表現。

合成資料的吸引力,在於開發者可能不必為每一款新試劑,重新建立龐大、昂貴且涉及敏感健康資訊的訓練照片庫。不過,省去真實照片作為訓練材料,並不等於可以省略真實情境驗證;模擬出的影像能否涵蓋實際拍攝與試劑表現的差異,仍是這條路能走多遠的關鍵。

解讀數字時,也必須分清楚「讀懂快篩影像」與「判定一個人是否感染」。影像模型的判讀表現,不能直接視為整套檢測流程對感染者的診斷能力。現有期刊摘要未交代驗證樣本數、信賴區間與各種使用條件下的完整表現,因此尚不足以推論它在不同品牌、手機或居家環境中都同樣可靠。

SynSight提供的是一條降低開發門檻的可行方向。若要進入日常檢測服務,下一步仍須釐清適用試劑與拍攝條件、無法可靠判讀時如何處理,以及相應的醫療器材監管要求。研究數據支持繼續驗證這種方法,卻還不能據此認定它已可獨立承擔診斷工作。

References

  1. npj Digital Medicine
  2. University College London