Cell子刊：金凯/蒋杰伟/李中文合作开发眼科专科AI模型——USPEC

发布时间：2026-08-31来源：生物世界

撰文丨王聪

编辑丨王多鱼

排版丨水成文

基础模型因其在多种任务中表现出的广泛泛化能力而广受认可，这推动了其广泛应用。然而，在医学领域，尤其是精准医疗时代，诊断和治疗决策往往要求极高的准确性。这也带来了一个尚未被充分讨论的问题——什么都会一点的通用 AI，真的比只专注一件事的专科模型更好吗？

解答这一问题，对于指导未来眼科 AI 医疗生态的发展至关重要。

近日，浙江大学医学院附属第二医院金凯团队、西安邮电大学蒋杰伟团队联合宁波市眼科医院 · 宁波市眼科研究所李中文团队，在 Cell 子刊 Cell Reports Medicine 上发表了题为：From generalization to precision: A large domain-specific pretrained model for specialized medical tasks 的研究论文。

该研究利用 875947 张未标注的超广角眼底（UWF）图像，采用自监督学习（SSL）算法开发了一个大型领域专用预训练模型——USPEC，其在多个下游 UWF 成像任务中优于多种基础模型，并通过外部评估、标签效率分析和训练效率评估进一步验证了 USPEC 相较于基础模型的优越性能。同时还证明 USPEC 在少样本学习范式下对罕见疾病视网膜动脉阻塞（RAO）的诊断能力也优于基础模型。

人工智能（AI）在革新医学诊断和治疗方面展现出巨大潜力，尤其在眼科领域，它能够提升疾病检测、病情监测以及个性化治疗的水平。例如，基于 AI 的系统通过分析视网膜图像、光学相干断层扫描（OCT）和视野检查结果，在诊断糖尿病视网膜病变（DR）、年龄相关性黄斑变性（AMD）和青光眼等疾病时表现出极高的准确性。然而，开发稳健 AI 模型面临的关键挑战在于其对大规模且标注精确的数据集的依赖，而这些数据集需要眼科医生耗费大量时间和专业知识进行标注。由于医疗专业人员短缺，且人工标注工作强度大，目前仅有少量医学影像数据被标注，绝大多数数据因缺乏标注而未能得到利用。标注数据的匮乏限制了 AI 模型的泛化能力，也阻碍了其在临床中的实际应用。

传统上，由于缺乏监督学习所需的标注信息，未标注的临床数据被认为价值有限。然而，自监督学习（SSL）算法的出现揭示了这些大量未开发数据集所蕴含的巨大潜力。在眼科领域，近期的 AI 研究已利用自监督学习，在大规模未标注的影像数据上训练基础模型，从而提取出具有泛化能力的特征，显著提升了多种下游任务的表现。这些突破表明，SSL 能够将未标注的临床数据转化为强大的资源，减少对昂贵标注工作的依赖，同时拓展 AI 在眼科诊断中的应用范围。

基础模型在多种下游任务（包括此前未见过的应用）之间进行迁移的能力，是其被广泛采用的关键驱动力。然而，在医疗应用中，通常更重视精确性而非通用性，尤其是在精准医学时代，诊断和治疗决策要求极高的准确性。一个关键但尚未充分研究的问题随之浮现：对于特定的医疗任务，通用型基础模型是否真的在准确率上优于大型专科预训练模型？这一问题在当前研究中仍探索不足。解决该问题对于指导未来医疗 AI 系统的发展至关重要。

本在这项新研究中，研究团队探讨了基于超广角眼底（UWF）成像的特定医学任务中，大型领域专用预训练模型是否能优于通用型基础模型。研究团队开发了 USPEC，这是一个在 875947 张无标签 UWF 图像上通过自监督学习进行大规模预训练的领域专用模型，并随后利用明确标注的数据适配下游任务。USPEC 在多个基于 UWF 的诊断和少样本学习任务中持续优于 RETFound、RETFound-DE、VisionFM、RetiZero 和 EyeFound 等基础模型，同时展现出更高的标签和训练效率。该研究还证明了 USPEC 在少样本学习范式下对一种罕见疾病——视网膜动脉阻塞（RAO）的诊断能力也优于基础模型。最后，为阐明 USPEC 在下游任务中表现出色及高标签效率背后的机制，研究团队还对其自监督预训练任务以及任务特异性决策过程进行了定性分析。