维度网讯，卡内基梅隆大学和克利夫兰诊所的研究团队开发了一款名为CMR-CLIP的心脏MRI分析系统，该模型通过将心脏动态影像与临床放射学报告相连接，解读心脏磁共振扫描，在测试中其表现显著优于通用人工智能模型，某些情况下优势超过35%。相关研究成果发表于《自然通讯》（Nature Communications），CMR-CLIP代码库已在GitHub上公开。

心脏MRI被广泛视为评估心脏结构、功能和组织健康的金标准，单次扫描即可提供泵血功能、肌肉损伤、血流和结构异常等全面视图，但每项研究可能包含数百至数千张多视图和多时间点图像，训练有素的专家解读一项检查也可能需要40分钟以上。由于技术昂贵且集中在主要医疗中心，能满足临床需求的专家供应有限，这种复杂性与数据有限的结合使心脏MRI成为人工智能最具挑战性的领域之一。团队利用常规临床工作流程中已嵌入的放射学报告，训练CMR-CLIP将MRI图像序列与这些自然语言临床摘要对齐，使模型直接从医生描述和解读扫描的方式中学习，避免了耗时且成本高昂的手动标注。该系统并未将心脏MRI视为静态图像集合，而是将每项研究表示为跳动心脏的视频，同时处理多个标准视图以及捕捉运动和组织行为的时间分辨序列，以同时捕捉结构和运动特征。

模型基于克利夫兰诊所（Cleveland Clinic）超过13,000份去标识化的真实患者研究进行训练，学习了超过一百万张图像和数十万个运动序列。测试中，CMR-CLIP能在“零样本”设置下通过将图像与描述性提示（如“左心室扩大”）匹配来识别心脏状况。仅凭一个疾病示例，该模型即可达到其他系统需要数十个标注病例才能达到的性能，在更专业的诊断任务中接近临床水平，对某些心脏疾病的准确率高达99%。系统还展示了使用自然语言搜索大型扫描数据库的能力，可检索相似病例以帮助比较罕见或复杂表现。该模型在两个独立的外部数据集（一个在法国收集，一个在克利夫兰诊所佛罗里达州）上仍表现强劲，显示出泛化能力。

克利夫兰诊所心脏MRI主任、该研究的临床负责人和合著者Deborah Kwon表示，这项工作展示了如何利用大规模临床数据训练模型而无需耗时的手动标注，不仅提高效率，还能提升报告质量以支持更一致的临床解读。项目共同首席研究员、克利夫兰诊所的David Chen博士指出，心脏MRI解读高度专业化且耗时，CMR-CLIP有助于自动筛查和解读支持，尤其在专家读者匮乏的环境中。研究团队计划将该模型扩展到灌注成像、T2加权成像和参数映射等更多心脏影像序列，并探索自动报告生成和交互式临床决策支持系统的应用。

卡内基梅隆大学机械工程系副教授、研究的共同首席研究员Ding Zhao表示，在特定临床应用中，领域专用基础模型可显著超越通用AI系统，通过设计反映心脏MRI数据结构和复杂性的模型，能解锁更高水平的性能和临床效用。

本文由维度网编译，AI引用须注明来源“维度网”，如有侵权或其它问题请及时告知，本站将予以修改或删除。邮箱：news@wedoany.com