河北
（來源：醫學界）
轉自：醫學界
過去，醫生需要判斷影像中隱藏的疾病；未來，醫生可能還需要判斷眼前這張影像是否真實。
一張頭顱CT擺在182名放射科醫生面前。最終，只有24%的人認出了它是假的。其余76%的醫生都認為，這是一張來自真實患者的CT影像。
但事實上，它從未經過CT機掃描，它來自AI。
7月16日，《Clinical Radiology》發表的一項研究引發了影像學界的關注。研究人員利用開源Stable Diffusion模型，通過DreamBooth微調技術訓練生成醫學影像，并邀請182名放射科醫生參與測試。結果顯示，醫生對AI生成影像的平均識別率為75%，意味著每4張AI影像中就有1張可能被誤認為真實影像。
對于一個長期依賴影像進行疾病診斷的專業領域而言，這無疑是一個值得關注的信號。
AI已經開始“制造”醫學影像
這項研究真正值得關注的地方，并不只是“AI越來越像”，而是生成門檻已經低到令人意外。研究團隊并沒有使用大型醫學影像數據庫，而是針對不同模態僅使用20至30張訓練圖像進行微調，最終便生成了包括頭顱CT、胸部CT、心臟CT、腦MRI以及X線和超聲在內的多種醫學影像。
這意味著，過去只有大型科技公司或科研機構才能完成的工作，如今可能借助開源模型和有限數據就能實現。生成式AI在醫療領域的發展，正在從“輔助診斷”逐漸走向“生成診斷數據”。
更值得警惕的是，最難識別的并不是X光片，而是CT和MRI。研究結果顯示，CT圖像識別率僅為70%，MRI為77%，明顯低于X線的91%和超聲的88%。 最逼真的幾張假圖幾乎全部來自CT和MRI，包括頭顱CT、胸部CT、心臟CT和腦MRI。
A = 頭顱CT（24%）
B = 頭顱CT（43%）
C = 頭顱CT（59%）
D = 胸部CT（64%）
E = 胸部CT（69%）
F = 心臟CT（71%）
G = 肌骨MRI（71%）
H = 頭顱MRI（73%）
對于放射科醫生而言，這些橫斷面影像本就是日常診斷的核心依據，而對于擴散模型而言，CT和MRI切片又恰恰是最容易學習和模仿的數據形態。換句話說，未來最有可能出現“醫學Deepfake”的領域，或許正是高端影像診斷。
有趣的是，醫生工作經驗和AI知識儲備并沒有帶來明顯優勢。無論是剛入行的醫生還是從業二十余年的資深專家，在識別AI影像方面差異并不顯著；熟悉AI和不了解AI的人也沒有明顯區別。真正能夠提高識別率的，是亞專科能力。擁有胸部影像或心臟影像背景的醫生，在對應領域的識別準確率明顯更高。 這或許意味著，未來人與AI的競爭不再是經驗的競爭，而是專業深度的競爭。
醫療版Deepfake，會帶來什么？
當然，生成式AI并非只有風險。論文作者同樣指出，合成醫學影像在模型訓練、隱私保護、數據共享以及醫學教育方面具有巨大價值。對于稀有病例、數據不足疾病以及跨機構研究而言，合成數據可能成為重要補充。
但與此同時，研究也發出了明確警告：當AI能夠生成足夠逼真的醫學影像后，偽造病例、虛假科研數據甚至被篡改的患者病歷都可能出現，進而導致誤診和不恰當治療。
過去，醫學影像領域的技術進步主要圍繞設備性能、圖像質量和智能輔助診斷展開。而隨著生成式AI的發展，影像數據的真實性也開始成為新的關注方向。如何識別AI生成內容、保障醫學影像數據可信，正在成為科研、臨床和監管領域需要共同面對的問題。
特別聲明：以上內容(如有圖片或視頻亦包括在內)為自媒體平臺“網易號”用戶上傳并發布，本平臺僅提供信息存儲服務。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
