澳科大團隊研發新AI模型 AFLoc 達成醫學影像自動診斷新突破

近日，澳門科技大學醫學院副院長兼創新工程學院副院長張康講座教授，聯合中國科學院深圳先進技術研究院王珊珊教授等研究團隊，在生物醫學工程領域頂級期刊《Nature Biomedical Engineering》（影響因子26.7）發表重要研究成果，提出一種全新的人工智能模型AFLoc。該模型無需人工標註病灶，即可自動學習影像特徵並輸出診斷結果，為醫學影像人工智能解決長期以來「依賴大規模人工標註」的瓶頸帶來全新方案。

在臨床實踐中，醫學影像往往包含大量關鍵診斷資訊，但傳統AI訓練需醫生手工標註病灶區域，過程繁瑣且耗時，嚴重限制了AI在醫院中的應用推廣。為此，研究團隊提出關鍵問題：是否能在不依賴人工標註的情況下，讓AI自行學習辨識病灶？

為此，研究人員設計了AFLoc模型，採用類似「看圖讀報告」的學習方式。模型在訓練過程中同時接收醫學影像與對應的臨床報告，透過反覆對照學習，逐步建立臨床描述與影像之間的關聯，理解報告中提及的疾病可能對應影像中的哪些位置，進而實現無標註條件下的病灶自動定位。

為評估AFLoc性能，研究團隊在胸部X光、眼底影像和組織病理三類典型影像模態上進行實驗。結果顯示，AFLoc在多項病灶定位指標上優於現有方法，部分任務甚至達到人類專家水平。在眼底與病理影像任務中，AFLoc同樣展現穩定的定位能力。更值得注意的是，AFLoc不僅能精準定位病灶，還具備強大的疾病分類能力，即使在「零樣本分類」條件下，其表現仍優於多種主流模型，尤其在視網膜病變診斷中，已超越部分依賴人工標註的模型。

研究團隊指出，AFLoc顯著降低醫學影像AI對人工標註數據的依賴，提升數據利用效率與模型泛化能力，為AI從傳統監督學習邁向自監督學習提供關鍵技術路徑。此框架有望推動構建更具通用性、可推廣性與低成本的影像智能診斷系統。

張康講座教授團隊長期致力於人工智能與醫學的交叉融合，研究涵蓋醫學影像分析、自然語言處理、多模態融合及疾病預後預測等臨床應用，亦深入衰老機制與藥物發現等基礎研究。相關成果多次發表於《細胞》、《Nature Medicine》等頂級期刊。團隊亦積極參與國際合作，與哈佛大學等機構共同成立「國際醫療數字孿生聯盟」，持續推動智能醫療創新發展。