长期以来，医学影像智能分析在落地过程中面临一个突出矛盾：算法对海量高质量标注数据需求旺盛，而临床医生时间有限、标注标准难以完全统一，导致数据获取成本高、周期长，制约了相关技术在更多医院和更多病种上的推广应用。
尤其在病理切片、眼底影像等细粒度任务中，病灶边界复杂、个体差异明显，对专家经验依赖强，进一步加大了标注难度。
在这一背景下，中国科学院深圳先进技术研究院医学成像科学与技术系统全国重点实验室研究员王珊珊团队联合清华大学助理教授周洪宇、澳门科技大学教授张康等合作者，提出名为AFLoc的模型，目标是让模型在缺少精细标注的条件下仍能“自己找病灶”。
研究成果于近日发表在《自然—生物医学工程》。
从问题出发，传统做法往往需要医生在影像上对病灶区域进行逐点勾画、框选或像素级分割，这类“强标注”不仅耗时耗力，而且不同医院、不同医生之间在标注尺度与口径上可能存在差异，影响模型的泛化能力。
另一方面，临床实际更常见的是检查结论、诊断标签或报告信息等相对粗粒度的数据，如何让模型在这类信息基础上实现病灶定位，是医学影像智能化的重要方向之一。
究其原因，医学影像具备多模态、多尺度与高噪声等特点：胸部X光常呈现叠加结构，病灶与背景对比度不高；眼底影像既要识别微小出血、渗出等细节，也要兼顾血管、视盘等结构干扰；病理图像分辨率极高，病灶形态多变且分布不均。
面对这些挑战，单纯依赖大量强标注既难以覆盖复杂临床场景，也难以在时间与成本上形成可持续的数据生产路径。
研究团队提出的AFLoc模型，强调在无需医生提前标注病灶位置的前提下，仍能在影像中自动定位关键异常区域。
研究显示，该模型在胸部X光、眼底影像和组织病理图像三种典型模态上进行了系统验证，均表现出较优性能。
这意味着，在数据准备阶段，临床机构可在一定程度上减少对高强度标注的依赖，把更多资源投入到数据质控、跨机构协同与真实世界验证等更关键环节。
从影响层面看，这一进展有望在三个方面带来积极变化：其一，降低训练数据获取门槛，缩短模型研发与迭代周期，为更多病种、更多模态的应用探索提供数据与方法基础；其二，缓解部分场景下医生“重复性标注劳动”，使专家精力更多回归诊疗决策与疑难病例讨论；其三，为基层医疗机构在影像筛查、随访评估等任务中引入更可负担的辅助工具提供可能，助力提升医疗服务的可及性与均衡性。
与此同时，相关成果走向临床仍需把握边界与规范。
医学影像定位能力的提升，并不等同于可直接替代临床诊断。
不同设备参数、不同人群结构、不同病程阶段带来的分布差异，可能影响模型稳定性；而定位结果的可解释性、误报漏报的可控性、与临床工作流的匹配程度，也决定了其应用价值。
业界普遍认为，面向真实世界的多中心验证、持续监测与质量管理，是智能辅助诊断从“论文指标”走向“临床可信”的关键路径。
基于上述考量，对策层面可从三方面推进：一是建立更具代表性的多中心数据评估体系，覆盖不同地区、不同设备与不同病种谱，明确模型适用边界；二是推动数据与算法的标准化与可追溯机制，加强标注规则、质控流程、结果审核与责任划分；三是坚持“人机协同”的应用定位，将模型作为提示与辅助，强调医生最终把关，逐步在筛查、分诊、随访等相对标准化的场景中积累证据与经验。
面向前景，随着医学影像数据规模持续增长、算力与算法不断演进，“减少对强标注依赖”的方向预计将成为提升医疗智能化效率的重要抓手。
AFLoc这类方法若能在更广泛病种与更复杂临床场景中保持稳定表现，并与电子病历、检查报告等多源信息协同，有望推动从“发现异常”到“定位病灶”再到“风险分层与治疗评估”的链条式应用升级。
未来，在政策规范、临床验证与产业转化的共同作用下，医学影像辅助技术或将在提升诊疗效率、优化医疗资源配置方面发挥更大作用。
医疗人工智能的发展关系到亿万人民的健康福祉。
AFLoc模型的成功研发，体现了我国科研团队在关键技术领域的创新能力和国际竞争力。
这项突破性成果不仅为医学影像诊断带来了新的可能性，更重要的是为推动医疗卫生事业的高质量发展提供了有力支撑。
随着该技术的进一步完善和推广应用，必将在提升诊疗水平、优化医疗资源配置、保障人民健康方面发挥越来越重要的作用。