生成式AI對腦部異常檢測穩健性的提升
醫學影像越來越多，但每種病長得都不一樣，想靠大量標註把所有情況都教給電腦，既費力又難完整，遇到沒看過的就容易失準。近年興起另一條路：先讓模型記住「健康長相」，再把和健康不一樣的地方當成可疑。但是，大家很少檢查「學健康」學得好不好，就很難保證在新醫院、新病人身上也可靠。 這項研究重點在讓AI「把健康學清楚」，提出三把‘尺’（RQI，AHI，CACI）來測量。第一把尺：把受損影像「修一修」後，整體像不像真的？第二把尺：修過的可疑區，是否真的更接近健康？第三把尺：該保留的健康地方有沒有亂動、該修的地方有沒有修好。作者以健康腦 MRI 訓練，對病灶影像產生「偽健康」修復；資料涵蓋 IXI、FastMRI+ 與 ATLAS v2.0，並採 128×128 切片與輕量增強；另邀 16 位放射科醫師在 180 張隨機影像上評分真實感、畫質與健康度，看看哪些方法做出的「修好版本」最得專家青睞。會先自動找出可疑區再局部修補的作法最穩妥，且在不同病人與病種上更一致。讀者可把它想成醫療版的「照片修復比賽」。 總結來看，生成式部分就是「學健康 → 造出健康對照 → 用差異來找病灶 → 用標準化指標驗證修得像不像、對不對」，把異常偵測從「有沒有抓到」提升到「為什麼可信、在不同病人/病種仍可靠」。 撰文：陳怡亨 原始論文：Bercea, C. I., Wiestler, B., Rueckert, D., & Schnabel, J. A. (2025). Evaluating normative representation learning in generative AI for robust anomaly detection in brain imaging. Nature Communications, 16 (1), 1624. https://doi.org/10.1038/s41467-025-56321-y
