医学影像分割：改变临床诊断的隐形手术刀

你拿到CT片子，医生圈出来那一小块可疑病灶，你以为全是医生手动描的？ 说实话，现在超过六成的三甲医院，早筛影像的病灶初分割，已经交给AI了。

为什么说医学影像分割是临床AI的皇冠明珠

AI进医疗这么多年，真正能帮临床医生省力气、提准确率的方向不多，医学影像分割绝对算排得上号的那个。 你得先搞懂，分割到底是在干啥。说白了，就是把影像里你要找的东西——比如肺部的小结节、胰腺、脑子里的肿瘤，从周围的正常组织里一块一块精准“抠”出来。 要是分割错了边界，后面不管是良恶性判断，还是放疗靶区勾画，全都是白搭。

早些年没有AI的时候，这活全靠医生手动做。一个三维CT几百层，一个大一点的肿瘤勾下来，大半天就没了。哪个医生天天有这功夫耗在描边上？ 我认识一个放疗科老主任，年轻时勾靶勾到颈椎出问题，现在提起手动分割都摇头。

最早一批AI分割出来的时候，效果有多差？2019年我去参加医疗AI大会，当时好多厂家站台展示，分割出来的病灶边缘坑坑洼洼，遇到病灶和血管贴在一起，直接把血管也圈进去了，误差大到临床根本不敢用。 这几年不一样了。扩散模型、大模型微调技术出来之后，效果真的能打了。上周跟一个放射科朋友吃饭，他说现在他们用的AI分割，胰腺这么难定位分割的器官，三秒就能出结果，边界比高年资医生手动描的还均匀。 你知道胰腺癌早筛为啥一直难？很大一部分原因就是胰腺形状不规则，还跟肠胃挤在一起，人工根本没法快速精准分割开。现在AI把这个坎跨过去了，国内早筛的准确率直接提了二十多个百分点——这是实打实救命的事。

当红技术里，哪些能落地哪些是炒概念

现在圈内聊医学影像分割，最热的无非三个方向：大模型改的通用分割、少样本零样本分割、多模态融合分割。我帮你捋捋，哪些真有用哪些是吹出来的。

先说通用分割，好多团队吹“一个模型分所有病灶”，要我说吧，现在还早。医学影像跟手机拍的猫啊狗啊不一样，自然图像错一两个像素没人在乎，医学影像差一个毫米，可能就是良性和恶性的区别，对吧？ 不过话说回来，针对特定病种特定器官的大模型微调，现在已经实实在在落地了。肺结节分割、脑肿瘤分割、肝脏分割，这些场景的AI工具，已经进了很多医院的日常工作流程了。

然后是少样本分割，这个我真的要吹爆。很多罕见病，整个国内也就几千个病例，能拿来标注的更少，传统深度学习根本没法训。少样本分割只要十几个甚至几个标注病例，就能训出能用的模型，对罕见病诊断太友好了。 去年Nature子刊发了一个成果，针对罕见的腹膜后肉瘤，只用十个标注病例训出来的模型，分割准确率达到92%，只比几百个病例训出来的传统模型低不到两个百分点，太惊喜了。

最后说多模态融合分割，就是把CT、MRI、PET这些不同类型的影像拼在一起分割。这个现在概念炒得最热，真正落地的没几个。为啥？不同设备拍出来的影像分辨率、灰度差都很大，融合起来很容易过拟合，现在大部分成果还停留在论文实验阶段，离进医院的诊室还有距离。 我见过不少创业公司拿这个当卖点融钱，做出来的产品效果还不如单模态的准，纯纯割投资人韭菜。

落地最大的坑，从来都不是技术

很多外行觉得，医学影像分割做不出来是技术不行，其实现在算法精度早就够了，最大的坑全在技术之外。

第一个坑，就是标注数据的质量。AI是喂什么学什么，你标注错了，AI能学好吗？现在很多公开数据集，都是医学生标了带教老师随便改改，误差大得离谱。我之前帮一个朋友看项目，他们用某顶级公开数据集训出来的模型，拿到自己医院的真实数据上测，准确率直接掉了二十八个点——就是因为数据集标注质量差，数据分布跟真实临床差太远。

第二个坑，就是设备差异。你在西门子CT上训出来的模型，拿到GE的CT机器上，效果直接打八折，这个域迁移问题，到现在也没有完美解决。很多厂家说自己解决了，其实就是让医院自己调参数，医院信息科累死累活调半个月才能用，很多小医院根本没这个人力。

第三个坑，就是医生的接受度。早些年推AI分割，很多老医生都说“我不信AI，我自己画更准”，宁愿花一小时描边也不用AI。去年我听一个大三甲的朋友说，他们去年强制要求肺癌早筛必须先用AI初分割，半年下来，医生平均工作量降了41%，漏诊率降了14%，现在原来反对最凶的老医生，现在出门诊都离不开了。 真香定律永远不会缺席。

我个人最看好的方向，其实是交互式分割。AI先分一遍，医生觉得不对，点两笔改改，AI瞬间就能重新输出结果，既省了医生全部手绘的时间，又能保证准确率，完全贴合临床的工作流程。我上个月试过一次商业化的产品，改一个结节边界只需要点两下，真的太爽了。

这行混了这么久，我最大的感受就是，医学影像分割从来不比谁的论文影响因子高，不比谁的概念新，能帮医生少干活，能帮病人早发现问题，就是好技术。 那些吹得天花乱坠的概念，落不了地，帮不了人，终究都是空中楼阁。