一种创新的人工智能(AI)工具正为医学成像软件训练带来变革，使医生和研究人员在仅有少量患者扫描数据的情况下也能轻松、经济地完成训练任务。这款工具革新了医学图像分割流程，该流程旨在根据图像中每个像素的含义进行标记，如区分癌变组织与正常组织。传统上，这一任务依赖训练有素的专家，而深度学习虽展现出自动化潜力，却对大量逐像素标注的图像数据有着迫切需求。

加州大学圣地亚哥分校的张莉博士及其研究团队，针对这一挑战开发了新型AI工具。张教授指出：“深度学习需要海量数据，但许多医疗场景下，这样的数据集根本不存在。”新工具通过少量专家标记的样本即可学习图像分割，数据需求量最多可减少20倍，为资源有限的医院和诊所提供了更快、更经济的诊断手段。

研究成果发表于《自然通讯》杂志，该AI工具已在多种医学图像分割任务中验证了其有效性，包括识别皮肤病变、乳腺癌、胎盘血管、结肠息肉及足部溃疡等。它还能处理3D图像，如海马体或肝脏的绘制。在数据稀缺环境下，该工具性能较现有方法提升10%至20%，所需真实世界训练数据量减少8至20倍，且性能往往更优。

张教授以皮肤科诊断为例，说明该工具如何助力医生。传统上，专家需标注数千张图像，而新工具仅需40张即可实时识别皮肤镜图像中的可疑病变。“它帮助医生更快、更准确地做出诊断，”张教授说。该系统分阶段运行，通过生成合成图像掩模对扩充小型数据集，并利用反馈循环优化图像生成，确保合成数据既符合实际又提升模型分割能力。

更多信息： Li Zhang 等，《生成式人工智能在极低数据环境下实现医学图像分割》，《自然通讯》(2025)。期刊信息： 《自然通讯》