长久以来，医疗人工智能模型一直面对两难困境︰能力较全面的通用模型灵活度高，但未必具备最精准的诊断能力；而专科模型虽然在特定范畴表现出色，但功能较单一，开发及部署成本亦较高，限制了大规模应用的可能性。
科大团队团队近日成功研发一套人工智能「通用—专科协作」框架（Generalist-Specialist Collaboration，GSCo），结合两者优势联手会诊，为人工智能融入临床诊疗流程开辟新方向，也为实现AI辅助临床决策迈进重要一步。
这项研究由科大计算机科学及工程学系兼化学及生物工程学系助理教授、医工交叉联合创新中心主任陈浩教授带领，并联同哈佛医学院、威尔康奈尔医学院等，以及本港多所大学的研究团队共同完成。研究成果已发表于国际权威期刊《自然—生物医学工程》。
研究核心建基于科大研发的开源医学通用模型 MedDr。该模型利用超过200万份多元医疗数据进行训练，具备广泛的医学知识基础。在GSCo框架下，研究团队并非依赖单一模型处理所有任务，而是结合多个轻量化专科模型，建立协作机制。
在诊断过程中，MedDr犹如一名经验丰富的主诊医生，而专科模型则担任不同领域的专家顾问。这些专科模型只需利用单张消费级图像处理器（GPU）即可完成训练，能够针对医学影像进行分析、检索相似病例，并提供专业判断。其后，MedDr再综合专科模型的建议及自身庞大的医学知识库，作出最终诊断。
陈浩教授解释道：「GSCo的核心价值正是让两个独立运作的通才与专科模型，能以『协作者』身分并肩运作，并由通用模型担任总决策者，将专科模型的专家建议与模型自身广博的医学知识完美整合。」
研究团队在32个公开数据集、共26万张医学影像上进行测试。结果显示，GSCo在整体表现上排名第一，优于10款先进医学人工智能模型。
在针对未知数据的皮肤病变诊断测试中，GSCo录得0.8420的诊断表现评分，优于单独运作的通用模型及专科模型，显示协作模式能有效提升诊断准确度。
在放射科医生的盲测评估中，七位资深医生中有六位均倾向采用GSCo生成的放射学报告。此外，在极端压力测试下，即使研究团队刻意输入带有系统性偏差、暗示所有影像均属正常的偏颇数据，MedDr仍成功辨识67.6%的肿瘤个案，展现出良好的稳健性和抗干扰能力。
除了提升诊断表现外，GSCo亦有助解决医学人工智能落地应用时所面对的实际挑战。由于专科模型可直接在医院内部完成训练，病人资料毋须离开医院，有助保障个人私隐，亦更容易符合相关法规要求。
同时，若要调整GSCo以应用于全新的临床任务，其开发成本可较传统方法降低近100倍，为算力有限的医疗机构提供更具成本效益的解决方案。
陈教授表示︰「我们期望，这一崭新框架能为医学基础模型融入临床工作流程，提供更切实可行的路径，尤其是让AI计算资源有限的环境，也能共享AI医疗成果。」
目前，MedDr及GSCo框架已全面开放源码，供全球研究人员及医疗机构使用。未来，团队将进一步拓展研究至电脑断层扫描（CT）、磁力共振成像（MRI）等三维医学影像，以及医疗影片分析等领域。科大亦将继续站在医学人工智能的前沿，让更高效、公平、智能的医疗服务惠及更多人群。
