生命之光

医学影像技术自1895年X射线发现以来，始终是现代医疗诊断的核心工具。然而，传统流程中，CT扫描生成的原始数据需先转换为图像，再由医生或AI分析，这一过程可能造成关键信息丢失。近日，一项由中国多机构联合开展的研究首次证明：人工智能（AI）可直接从CT原始数据中提取诊断信息，无需依赖图像重建，且结合原始数据与图像可显著提升肺结节良恶性分类的准确性。这一发现为医疗影像分析提供了全新思路。

传统流程的局限：从图像到知识的信息损耗

CT扫描的原始数据是设备直接采集的未处理信号，其数据量通常是最终图像的10-20倍。然而，传统诊断流程需将原始数据通过算法重建为二维或三维图像，过程中可能因插值、降噪等操作导致信息失真。例如，微小病灶的特征可能在重建中被平滑处理，或噪声干扰影响医生判断。

尽管AI技术已能高效分析医学图像，但其本质仍是对“压缩后信息”的二次加工。研究团队指出：“图像是为人类视觉设计的，而AI的潜力在于直接处理更原始的、未被简化的数据。”

突破性尝试：AI直接解码原始信号

在这项前瞻性研究中，团队收集了276例患者的CT原始数据及对应病理结果，构建了基于深度学习的诊断模型。通过定位原始数据中的病灶区域，AI模型直接学习信号特征，并与传统CT图像模型进行对比。结果显示：

原始数据独立诊断能力接近CT图像：在测试集中，仅用原始数据的模型（AUC 0.782）与基于CT图像的模型（AUC 0.807）表现接近，证明无需图像重建即可实现有效诊断。

原始数据与图像结合效果更优：将两者结合的模型（如RGM-RX 4）在多个患者亚组（如老年、女性、小结节）中表现更稳定，最高AUC提升达12.4%。

研究负责人解释：“原始数据中可能包含CT图像无法保留的细节，例如特定角度的衰减信号或微小结构变化，这些信息通过AI挖掘后能补充传统图像的不足。”

技术落地：从实验室到基层医疗的潜力

这一发现对医疗资源分布不均的地区尤为重要。基层医院常面临专业放射科医生短缺的问题，而主流CT设备通常具备采集原始数据的能力。若未来开发出适配原始数据的轻量化AI工具，基层医生可直接利用设备原始数据进行快速筛查，减少对图像后处理和专家经验的依赖。

此外，研究团队通过可视化技术（如Grad-CAM）发现，AI模型能自主聚焦于原始数据中的病灶区域，其关注度是非病灶区域的1-2倍。这种“可解释性”为医生提供了辅助决策的依据，例如识别易被忽略的微小恶性特征。

挑战与未来方向

尽管前景广阔，研究仍存在局限：当前模型依赖特定CT设备参数，且大规模多中心数据验证尚未开展。此外，原始数据的高计算需求对硬件提出了挑战。团队表示，下一步将优化算法效率，并探索适用于不同扫描协议的通适性模型。

结语：重新定义医疗影像的起点

这项研究首次验证了“从信号到知识”的直接诊断路径，打破了百余年来“图像作为诊断媒介”的固有模式。随着AI技术的深化，未来医疗影像分析或将从“人类视觉优先”转向“数据本质优先”，为精准医疗开辟更高效、更可靠的新途径。

正如论文通讯作者总结：“我们不需要让AI模仿人类看图像的方式，而是让它以更适合数据本质的方式工作——这可能才是医疗AI真正的进化方向。”

（注：文中AUC为评估模型性能的指标，数值越接近1表示准确性越高。）

【我们尊重原创，也注重分享。版权原作者所有，如有侵犯您的权益请及时联系，我们将第一时间删除。分享内容不代表本网观点，仅供参考。】