生成式人工智能在医学影像诊断系统开发中的新方法

生成式人工智能（AI）通过人工生成的影像数据改进了诊断系统。作为国际合作的一部分，维也纳医科大学（MedUni Vienna）的研究人员开发了一种可以生成和处理合成医学影像数据的生成式AI。由此产生的数据被用于开发多种疾病的诊断AI系统。研究团队证明，使用合成影像数据显著提升了AI模型的准确性。该研究结果最近发表在《欧洲核医学与分子影像杂志》上。

在医学影像中使用AI系统变得越来越重要。这些系统的准确性在很大程度上取决于训练数据的质量和数量。然而，临床数据集的可用性往往受到限制——无论是由于罕见病的小样本量、严格的数据保护法规，还是某些亚群体的代表性不足。最坏的情况下，这可能导致AI模型预测不准确，尤其是在训练数据不能代表总体人群时。

使用生成式AI生成合成数据集为这些挑战提供了有希望的解决方案。通过合成医学影像数据，AI系统可以在更广泛的疾病模式上进行训练，而无需依赖罕见或难以获取的患者数据。维也纳医科大学放射医学系（生物医学影像与图像引导治疗科）的研究团队最近发表的一项研究中采取了这种方法。一个生成式AI接受了超过9,000次常规临床检查的扫描数据训练。然后，该模型用于生成一个合成影像数据集，该数据集复制了真实医学影像数据的特征，但完全是新生成的，确保无法追溯到任何患者信息。

合成影像数据质量相当

合成数据的质量由四位独立医生进行了评估。他们发现合成生成的影像数据与真实影像数据之间没有明显差异。合成数据的相关性进一步得到了布雷西亚大学一个独立研究小组的确认。在那里，研究人员开发了一个用于检测疑似患有心脏淀粉样变性或骨转移患者的AI系统，该系统使用维也纳生成的合成影像数据进行训练。随后，该系统使用来自欧洲和亚洲四个独立机构的超过6,000名患者的数据显示，整合合成数据显著提高了AI系统的诊断准确性。

“这项技术的一个主要优势是保护患者隐私：由于生成的图像是虚拟的，因此它们可用于研究和开发新的AI辅助诊断方法，而无需担心数据保护风险。”维也纳医科大学研究团队的大卫·哈伯尔（David Haberl）和克莱门斯·施皮尔福格尔（Clemens Spielvogel）总结了研究发现的重要性。此外，添加合成生成的数据可以增加数据多样性。例如，通过专门纳入代表性不足的亚群体的数据，可以调整数据集，从而提高这些亚群体在临床应用中的AI系统的准确性。

出版物：《欧洲核医学与分子影像杂志》

生成式人工智能能够生成骨闪烁扫描图像，并在数据受限环境中改善深度学习模型的泛化能力；

大卫·哈伯尔（David Haberl）、宁静（Jing Ning）、基利安·克鲁格（Kilian Kluge）、卡塔琳娜·库姆普夫（Katarina Kumpf）、约瑟夫·余（Josef Yu）、江泽文（Zewen Jiang）、克劳迪娅·康斯坦蒂诺（Claudia Constantino）、爱丽丝·莫纳奇（Alice Monaci）、玛丽亚·斯塔拉切（Maria Starace）、亚历山大·R·豪格（Alexander R. Haug）、拉斐拉·卡拉布雷塔（Raffaella Calabretta）、卢卡·卡莫尼（Luca Camoni）、弗朗西斯科·贝尔塔尼亚（Francesco Bertagna）、卡塔琳娜·马舍尔鲍尔（Katharina Mascherbauer）、费利克斯·霍弗（Felix Hofer）、多梅尼科·阿尔巴诺（Domenico Albano）、罗伯托·斯西亚格拉（Roberto Sciagra）、弗朗西斯科·奥利韦拉（Francisco Oliveira）、杜尔瓦尔·科斯塔（Durval Costa）、克里斯蒂安·尼茨舍（Christian Nitsche）、马库斯·哈克（Marcus Hacker）和克莱门斯·施皮尔福格尔（Clemens P. Spielvogel）

DOI: https://doi.org/10.1007/s00259-025-07091-8

(全文结束)