医学影像分割：AI砸进临床的第一块实锤
从“医生看片”到“AI帮切”，到底变了啥
你去医院拍个CT或者核磁，出来的就是一堆灰黑白的像素图。医生要找病灶，首先得把你要研究的器官、病变从周围一堆乱七八糟的组织里分出来。这个把目标区域“抠出来”的过程，就是医学影像分割。
原来全靠医生一笔一画标。就拿肝脏肿瘤来说，一个病人的CT有两三百层，一层一层画，熟练的医生也要半个多小时。一天接十个会诊，眼睛都能看出重影。
放射科医生人工标注肺部CT影像
说实话，人工分割不止慢，误差还大。同一个结节，两个医生标出来的大小能差出好几个毫米，直接影响后续的治疗方案定夺。AI进来之后呢？训练好的模型，不到十秒就能输出完整的分割结果，误差大多控制在1个毫米以内，稳定性比人工高太多。
现在很多早癌筛查，都是AI先把可疑的病灶分割出来，给医生复核，效率直接翻了十几倍。多少医生的下班时间，就是这么被救回来的。
技术迭代快，现在到底够用了吗
早在上个世纪，医学影像分割就已经起步了。那时候都是手工设计特征，什么阈值分割、区域增长，只能对付边界特别清楚、对比度特别高的病灶，稍微复杂一点就直接歇菜。直到2015年 U-Net 出来，直接把整个领域的玩法掀了个天翻地覆。
之前做深度学习分割，都需要成千上万的标注数据才能训得动，可是医学影像哪来这么多标注？U-Net设计了跳跃连接，把底层的细节特征和高层的语义特征拼在一起，很少的标注就能训出不错的结果，直接解决了医学领域数据少的痛点。直到现在，大部分落地的医学影像分割模型，背后还是U-Net的变种。
U-Net医学影像分割网络结构示意图
最近几年更热闹了，transformer架构进来，又搞出来一堆性能更好的分割模型。就连OpenAI那个大火的“分割一切”SAM，都有人快速改出了Med-SAM，专门做医学影像分割，刷了好几个公开数据集的榜。
不过话说回来，榜上面的分数好看，不代表临床能用。我见过太多模型，在公开数据集上准确率能到98%，换一个医院不同机器拍的片子，准确率直接掉到70%多，切出来的病灶缺一块少一块，医生还得手动改。
对吧？数据分布不一样啊。你用一线城市大医院的机器拍的CT训练，拿到基层医院老机器拍的片子，对比度、噪声全不一样，模型哪见过这个。通用模型就是这点不好，水土不服是常态。现在拿到国内NMPA三类证的产品，都是针对特定病灶、特定机型优化了好几年的，野路子出来的模型真比不了。
卡脖子的痛点，还是那两个老问题
卡脖子的痛点，还是那两个老问题
第一个，像素级标注太贵了。
想要训一个好的分割模型，就得有大量像素级的标注。一个资深放射科医生，标一个3D的肝脏CT，要四十分钟以上，按医生的时薪算，一个样本的标注成本就大几百。做一个通用器官分割模型，需要几万样本，这成本，没点融资根本扛不住。更坑的是，很多罕见病灶，根本就没那么多病例给你标，巧妇也难为无米之炊。
第二个，临床适配性差。
很多科研人员做模型，就盯着公开数据集刷榜，根本不去临床看医生实际怎么干活。我之前听过一个事儿，某个创业公司做了一个脑肿瘤分割的模型，找医院试点，主任用了一次就不用了。为什么？模型输出的分割结果，只能在AI自己的工具里看，不能直接导进医院的PACS系统，医生要来回切换软件，反而更麻烦。还有的模型，切出来的轮廓有好多小锯齿，医生要修半天，还不如自己画快。
现在学界也在想办法解决。半监督、弱监督分割就是大热门，你不用给每个像素都标，只要给个框、标几个点就能训模型，标注成本直接降了十分之九都不止。还有联邦学习，多个中心不用交换原始数据，就能一起训模型，既解决了数据隐私的问题，又能让模型见过不同中心的数据，泛化性一下子就上去了。
不过这些技术，大多还在科研临床试验阶段，真正大规模落地的还没几个。路还长着呢。
现在不少人吹AI要替代医生，至少在医学影像分割这块，我们的目标从来不是替代，是给医生打辅助。把医生从最枯燥最累的手工标注里解放出来，让他们把时间花在更重要的诊断和治疗上。这就够了。
最近两年，越来越多针对不同病灶的医学影像分割AI产品拿证进院，能看出来，这块是真的落地了。接下来，肯定还有更多惊喜等着我们。