長久以來，醫療人工智能模型一直面對兩難困境︰能力較全面的通用模型靈活度高，但未必具備最精準的診斷能力；而專科模型雖然在特定範疇表現出色，但功能較單一，開發及部署成本亦較高，限制了大規模應用的可能性。
科大團隊團隊近日成功研發一套人工智能「通用—專科協作」框架（Generalist-Specialist Collaboration，GSCo），結合兩者優勢聯手會診，為人工智能融入臨床診療流程開闢新方向，也為實現AI輔助臨床決策邁進重要一步。
這項研究由科大計算機科學及工程學系兼化學及生物工程學系助理教授、醫工交叉聯合創新中心主任陳浩教授帶領，並聯同哈佛醫學院、威爾康奈爾醫學院等，以及本港多所大學的研究團隊共同完成。研究成果已發表於國際權威期刊《自然—生物醫學工程》。
研究核心建基於科大研發的開源醫學通用模型 MedDr。該模型利用超過200萬份多元醫療數據進行訓練，具備廣泛的醫學知識基礎。在GSCo框架下，研究團隊並非依賴單一模型處理所有任務，而是結合多個輕量化專科模型，建立協作機制。
在診斷過程中，MedDr猶如一名經驗豐富的主診醫生，而專科模型則擔任不同領域的專家顧問。這些專科模型只需利用單張消費級圖像處理器（GPU）即可完成訓練，能夠針對醫學影像進行分析、檢索相似病例，並提供專業判斷。其後，MedDr再綜合專科模型的建議及自身龐大的醫學知識庫，作出最終診斷。
陳浩教授解釋道：「GSCo的核心價值正是讓兩個獨立運作的通才與專科模型，能以『協作者』身分並肩運作，並由通用模型擔任總決策者，將專科模型的專家建議與模型自身廣博的醫學知識完美整合。」
研究團隊在32個公開數據集、共26萬張醫學影像上進行測試。結果顯示，GSCo在整體表現上排名第一，優於10款先進醫學人工智能模型。
在針對未知數據的皮膚病變診斷測試中，GSCo錄得0.8420的診斷表現評分，優於單獨運作的通用模型及專科模型，顯示協作模式能有效提升診斷準確度。
在放射科醫生的盲測評估中，七位資深醫生中有六位均傾向採用GSCo生成的放射學報告。此外，在極端壓力測試下，即使研究團隊刻意輸入帶有系統性偏差、暗示所有影像均屬正常的偏頗數據，MedDr仍成功辨識67.6%的腫瘤個案，展現出良好的穩健性和抗干擾能力。
除了提升診斷表現外，GSCo亦有助解決醫學人工智能落地應用時所面對的實際挑戰。由於專科模型可直接在醫院內部完成訓練，病人資料毋須離開醫院，有助保障個人私隱，亦更容易符合相關法規要求。
同時，若要調整GSCo以應用於全新的臨床任務，其開發成本可較傳統方法降低近100倍，為算力有限的醫療機構提供更具成本效益的解決方案。
陳教授表示︰「我們期望，這一嶄新框架能為醫學基礎模型融入臨床工作流程，提供更切實可行的路徑，尤其是讓AI計算資源有限的環境，也能共享AI醫療成果。」
目前，MedDr及GSCo框架已全面開放源碼，供全球研究人員及醫療機構使用。未來，團隊將進一步拓展研究至電腦斷層掃描（CT）、磁力共振成像（MRI）等三維醫學影像，以及醫療影片分析等領域。科大亦將繼續站在醫學人工智能的前沿，讓更高效、公平、智能的醫療服務惠及更多人群。
