مدل‌های RADAR و EAGLE نشان می‌دهند یک CT می‌تواند برای یافتن مجموعه‌ای از یافته‌ها دوباره تحلیل شود؛ اما نتایج پژوهشی هنوز با استفاده بالینی گسترده فاصله دارد.
- RADAR بیش از ۴۰۰ هزار CT شکم با کنتراست و بیش از ۱۵ میلیون جفت تصویر-متن را برای پوشش ۱۴۶ یافته در ۱۸ ساختار به کار گرفته است.
- EAGLE روی ۶٬۸۱۳ بیمار آموزش دید و در اعتبارسنجی خارجی ۱۱٬۴۶۶ بیمار، حساسیت ۸۹٫۵ درصد و اختصاصیت ۹۸٫۵ درصد داشت.
- نتیجه پژوهشی با مجوز پزشکی یکی نیست: RADAR هنوز research-only است و برای EAGLE نیز در منابع عمومی بررسی‌شده مجوز رگولاتوری اعلام نشده است.
در ۲۸ سپتامبر ۲۰۲۶، DAMO Academy شرکت Alibaba دو مدل هوش مصنوعی پزشکی را در کانون توجه قرار داد: RADAR برای تحلیل CT شکم با کنتراست و EAGLE برای شناسایی سرطان و ضایعات پیش‌سرطانی مری در CT قفسه سینه بدون کنتراست. نکته مهم این است که این مدل‌ها صرفاً از یک بیماری مشخص نمی‌پرسند؛ هدف آن‌ها استخراج اطلاعات تشخیصی بیشتری از اسکن‌هایی است که بیمار از قبل انجام داده است.
با این حال، برای ارزیابی علمی این ادعا باید به دو مقاله داوری‌شده اصلی نگاه کرد: مطالعه EAGLE در Nature Medicine و مطالعه RADAR در Science. این مطالعات شواهد مهمی درباره عملکرد مدل‌ها ارائه می‌کنند، اما خودشان به معنی دریافت مجوز رگولاتوری یا آماده‌بودن مدل برای استفاده مستقل در تشخیص بیماران نیستند.
مدل پزشکی فاندیشن چیست و چرا با الگوریتم تشخیص یک بیماری فرق دارد؟
مدل پزشکی فاندیشن (Medical Foundation Model) مدلی است که با حجم بزرگی از داده‌های پزشکی آموزش می‌بیند تا یک نمایش عمومی و قابل استفاده مجدد از تصاویر، ساختارهای بدن و الگوهای بیماری ایجاد کند. سپس می‌توان از همان مدل برای چندین وظیفه یا یافته متفاوت استفاده کرد.
در مقابل، یک الگوریتم سنتی تشخیص بیماری معمولاً برای یک هدف مشخص طراحی می‌شود. برای مثال، می‌توان هزاران CT را که وضعیت ابتلا یا عدم ابتلا به یک سرطان مشخص در آن‌ها معلوم است، به مدل داد و الگوریتمی ساخت که فقط احتمال همان سرطان را پیش‌بینی کند.
تفاوت را می‌توان ساده این‌طور خلاصه کرد:
- الگوریتم تک‌وظیفه‌ای: «آیا این بیماری مشخص وجود دارد؟»
- مدل فاندیشن پزشکی: «در این تصویر چه اطلاعات تشخیصی قابل استخراجی وجود دارد؟»
- مزیت بالقوه: یک مدل می‌تواند برای چندین عضو، بیماری و یافته رادیولوژیک به کار رود.
- چالش: گستردگی وظایف به‌معنای عملکرد یکسان و قابل اتکا برای همه بیماری‌ها نیست و هر کاربرد همچنان به اعتبارسنجی جداگانه نیاز دارد.
در RADAR، این رویکرد با اتصال نواحی آناتومیک CT به متن گزارش‌های رادیولوژی دنبال شده است. مدل از بیش از ۴۰۰ هزار CT شکم با کنتراست و بیش از ۱۵ میلیون جفت تصویر-متن آگاه از آناتومی استفاده کرده و برای یادگیری به برچسب‌گذاری دستی تک‌تک یافته‌ها متکی نبوده است.
RADAR؛ یک CT شکم برای ۱۴۶ یافته
RADAR مخفف Rapid Abdominal Diagnosis with AI and Radiology است. این مدل برای تحلیل CT شکم با تزریق ماده حاجب طراحی شده و ۱۸ ساختار آناتومیک و ۱۴۶ یافته تصویربرداری را پوشش می‌دهد. مقاله اصلی RADAR در ۱۷ سپتامبر ۲۰۲۶ در Science منتشر شد.
داده‌های آموزش RADAR
- تصاویر: ۴۲۴٬۹۱۱ معاینه CT شکم با کنتراست در مجموعه داده گزارش‌شده.
- جفت‌های تصویر-متن: بیش از ۱۵ میلیون جفت آگاه از ساختارهای آناتومیک.
- منبع اطلاعات متنی: گزارش‌های بالینی رادیولوژی.
- نیاز به برچسب‌گذاری دستی برای هر یافته: خیر؛ مدل از ارتباط میان نواحی آناتومیک و گزارش‌های موجود استفاده کرده است.
این روش یک مسئله مهم در تصویربرداری پزشکی را هدف می‌گیرد: در CT سه‌بعدی، یک بیماری ممکن است فقط بخش بسیار کوچکی از حجم تصویر را درگیر کند. بنابراین اتصال کل اسکن به کل گزارش می‌تواند سیگنال تشخیصی ضعیفی ایجاد کند. RADAR تلاش می‌کند این ارتباط را در سطح اندام و ناحیه آناتومیک دقیق‌تر کند.
عملکرد RADAR در اعتبارسنجی
در یک مجموعه داخلی شامل ۳۹٬۱۶۰ معاینه، میانگین AUC برای ۱۴۶ یافته برابر با ۰٫۹۱۳ گزارش شد و فاصله اطمینان ۹۵ درصدی آن ۰٫۹۱۱ تا ۰٫۹۱۵ بود. در هشت مرکز خارجی، عملکرد بسته به مرکز در محدوده حدود ۰٫۸۷۴ تا ۰٫۹۱۲ قرار گرفت.
در ارزیابی جداگانه سرطان‌هایی که با پاتولوژی تأیید شده بودند، برای سرطان‌های کبد، پانکراس، معده و کولورکتال مقادیر AUC در محدوده ۰٫۸۹۱ تا ۰٫۹۸۴ گزارش شد. همچنین در بیش از ۲۷ هزار CT اورژانسی، عملکرد مدل برای یافته‌های شکم حاد به AUC حدود ۰٫۹۰۴ رسید؛ این مجموعه برای آزمودن تعمیم مدل در شرایط متفاوت استفاده شد.
RADAR در کنار رادیولوژیست‌ها چه کرد؟
در مطالعه خوانش، ۲۶ رادیولوژیست از ۱۴ مرکز تصاویر را ارزیابی کردند. مقاله Science گزارش می‌کند که استفاده از RADAR به‌عنوان ابزار کمکی، حساسیت تشخیصی رادیولوژیست‌ها را حدود ۱۰ درصد افزایش داد. گزارش‌های منتشرشده از این مطالعه همچنین کاهش زمان خواندن هر مورد را حدود ۳۰ درصد نشان می‌دهند.
این نکته مهم است: این آزمایش نشان می‌دهد مدل می‌تواند به فرایند خوانش کمک کند؛ نه اینکه نتیجه آن مجوز استفاده مستقل از مدل به‌عنوان تشخیص پزشکی باشد.
EAGLE؛ استخراج اطلاعات سرطان مری از CT قفسه سینه
EAGLE یا Esophageal AI-Guided malignant Lesion Evaluation رویکرد متفاوتی دارد. این مدل برای شناسایی سرطان مری و ضایعات پیش‌سرطانی با استفاده از CT قفسه سینه بدون کنتراست (NC CT) ساخته شده است. مطالعه اصلی در ۲۲ سپتامبر ۲۰۲۶ در Nature Medicine منتشر شد.
اهمیت EAGLE در این است که CT بدون کنتراست ممکن است برای بررسی ریه انجام شده باشد، اما همان تصویر اطلاعاتی درباره مری نیز در خود دارد. بنابراین ایده مدل این است که از یک اسکن موجود، یک کاربرد تشخیصی دیگر نیز استخراج شود.
داده‌های آموزش EAGLE
- داده آموزش: ۶٬۸۱۳ بیمار از دو مرکز.
- ترکیب مجموعه آموزش: ۲۶۴ مورد HGIN، تعداد ۵۴۸ مورد سرطان مرحله I، تعداد ۲٬۹۳۲ مورد سرطان مراحل II تا IV و ۳٬۰۶۹ کنترل منفی.
- نوع تصویر: CT قفسه سینه بدون کنتراست.
- نظارت تصویری: علاوه بر برچسب بیمار، برای مری و ضایعات بدخیم annotation در سطح voxel نیز استفاده شد.
EAGLE یک مدل دو مرحله‌ای است: ابتدا مری را در حجم سه‌بعدی CT پیدا می‌کند، سپس ناحیه مربوط به مری را برای قطعه‌بندی ضایعه و پیش‌بینی احتمال بدخیمی تحلیل می‌کند. خروجی مدل شامل طبقه‌بندی مثبت یا منفی، نقشه ضایعه و heatmap برای نشان‌دادن نواحی مؤثر در تصمیم مدل است.
عملکرد EAGLE در اعتبارسنجی
در اعتبارسنجی داخلی روی ۲٬۵۰۰ بیمار، EAGLE به AUC برابر با ۰٫۹۹۱، حساسیت ۸۹٫۴ درصد و اختصاصیت ۹۹٫۳ درصد رسید. در اعتبارسنجی خارجی روی ۱۱٬۴۶۶ بیمار از هشت مرکز در چین، جمهوری چک و استرالیا، AUC برابر با ۰٫۹۷۶، حساسیت ۸۹٫۵ درصد و اختصاصیت ۹۸٫۵ درصد گزارش شد.
برای سرطان مری در مجموعه خارجی، حساسیت ۹۰ درصد و برای ضایعات پیش‌سرطانی HGIN حساسیت ۵۲٫۵ درصد بود. حساسیت تشخیص سرطان مرحله I نیز در مجموعه خارجی حدود ۶۰٫۱ درصد گزارش شد.
در یک ارزیابی CT با دوز پایین شامل ۱٬۶۰۷ اسکن، نسخه EAGLE با شبیه‌سازی LDCT در نقطه‌ای با اختصاصیت ۹۹ درصد، حساسیت کلی ۸۸٫۴ درصد داشت. در مقابل، نسخه اصلی در همان مقایسه حساسیت ۸۳ درصد نشان داد.
آیا EAGLE واقعاً در محیط بالینی آزمایش شد؟
تا حدی بله. مطالعه EAGLE فقط به داده‌های آزمایشگاهی یا یک مرکز محدود نشد. پژوهشگران یک مجموعه دنیای واقعی شامل ۳۵٬۴۰۲ بیمار در سه مرکز را برای کالیبراسیون و اعتبارسنجی مدل بررسی کردند.
مهم‌تر از آن، EAGLE-Plus در یک اعتبارسنجی آینده‌نگر بیمارستانی روی ۱۷٬۴۴۶ بیمار به کار رفت. در پایان پیگیری، ۴۱ مورد سرطان مری و ۶ مورد HGIN تأیید شد. مدل ۹۰ پیش‌بینی مثبت داشت و PPV آن ۴۲٫۲ درصد بود.
در همین مطالعه، ۳۸ مورد از ۹۰ پیش‌بینی مثبت به‌عنوان موارد واقعی تأیید شدند. حساسیت EAGLE-Plus برای سرطان مری ۸۷٫۸ درصد و برای مجموع بدخیمی‌های مری ۸۰٫۹ درصد گزارش شد.
بنابراین درباره EAGLE می‌توان گفت شواهدی از اعتبارسنجی آینده‌نگر در محیط بیمارستانی وجود دارد. با این حال، این موضوع با داشتن مجوز رگولاتوری یا تبدیل‌شدن مدل به استاندارد مراقبت پزشکی یکسان نیست.
RADAR چطور؟ آیا در کلینیک واقعی آزمایش شده است؟
RADAR نیز روی داده‌های واقعی بیمارستانی و مجموعه‌های خارجی آزمایش شده است. ارزیابی داخلی شامل ۳۹٬۱۶۰ معاینه واقعی، اعتبارسنجی خارجی شامل مراکز مستقل و آزمون جداگانه روی بیش از ۲۷ هزار مورد اورژانسی بود. همچنین مطالعه‌ای با ۲۶ رادیولوژیست برای بررسی همکاری انسان و مدل انجام شد.
اما تفاوت مهم اینجاست که شواهد منتشرشده درباره RADAR عمدتاً از اعتبارسنجی گذشته‌نگر و مطالعه خوانش می‌آیند. صفحه رسمی مدل نیز صراحتاً می‌گوید RADAR در حال حاضر برای اهداف پژوهشی در نظر گرفته شده و پیش از استقرار مستقیم بالینی به مطالعات آینده‌نگر بیشتری نیاز دارد.
یک مطالعه ثبت‌شده نیز برای توسعه و ارزیابی سیستم AI در CT شکم با همکاری First Affiliated Hospital of Zhejiang University و Alibaba DAMO Academy وجود دارد و هدف آن شامل اعتبارسنجی بالینی و ارزیابی عملکرد سیستم است.
Incidental Finding یعنی چه؟
Incidental Finding یعنی یافته‌ای که هنگام بررسی تصویر برای یک دلیل دیگر به‌طور اتفاقی پیدا می‌شود.
برای مثال، ممکن است فردی CT شکم را به دلیل درد شکم انجام دهد. پزشک در حال بررسی علت درد است، اما تصویر نشانه‌ای از یک کیست، ندول یا اختلال دیگر را نیز نشان می‌دهد که علت اصلی انجام CT نبوده است.
یکی از جذاب‌ترین کاربردهای مدل‌هایی مانند RADAR و EAGLE همین ایده است: استفاده مجدد از تصویری که قبلاً گرفته شده برای پیدا کردن اطلاعاتی که ممکن است در سؤال اولیه بررسی تصویر مورد توجه نبوده باشد.
البته هر یافته اتفاقی الزاماً بیماری مهم نیست. همین‌جا اهمیت اختصاصیت، false positive و قضاوت پزشک مشخص می‌شود.
Sensitivity، Specificity و False Positive به زبان ساده
Sensitivity یا حساسیت
حساسیت می‌گوید از میان افرادی که واقعاً بیماری یا یافته موردنظر را دارند، مدل چند درصد را درست پیدا می‌کند.
اگر از ۱۰۰ بیمار مبتلا، مدل ۹۰ نفر را شناسایی کند، حساسیت آن ۹۰ درصد است.
حساسیت بالا یعنی احتمال کمتری دارد موارد واقعی از دست بروند.
Specificity یا اختصاصیت
اختصاصیت می‌گوید از میان افرادی که بیماری را ندارند، مدل چند درصد را درست منفی اعلام می‌کند.
اگر از ۱۰۰ فرد بدون بیماری، مدل ۹۸ نفر را درست منفی اعلام کند، اختصاصیت ۹۸ درصد است.
اختصاصیت بالا یعنی مدل کمتر افراد سالم را به اشتباه مثبت اعلام می‌کند.
False Positive یا مثبت کاذب
مثبت کاذب زمانی رخ می‌دهد که مدل می‌گوید «احتمالاً مشکلی وجود دارد»، اما بررسی‌های بعدی نشان می‌دهند بیماری موردنظر وجود نداشته است.
مثبت کاذب فقط یک عدد آماری نیست. در پزشکی می‌تواند باعث تصویربرداری بیشتر، آزمایش، مراجعه تخصصی، اضطراب بیمار و هزینه اضافی شود.
در مطالعه EAGLE، کالیبراسیون مدل روی داده‌های دنیای واقعی توانست نرخ false positive را ۷۲٫۷ درصد کاهش دهد و در عین حال حساسیت را حفظ کند. این مثال نشان می‌دهد چرا یک مدل پزشکی فقط با اعلام «دقت بالا» ارزیابی نمی‌شود و نقطه عملیاتی آن اهمیت زیادی دارد.
External Validation چرا این‌قدر مهم است؟
External Validation یعنی مدل روی داده‌هایی آزمایش شود که از مرکز، جمعیت، دستگاه یا شرایطی متفاوت از داده‌های توسعه مدل آمده‌اند.
اگر مدل در بیمارستانی که با آن ساخته شده عملکرد بسیار خوبی داشته باشد، هنوز نمی‌دانیم در بیمارستان دیگری با دستگاه CT متفاوت، پروتکل تصویربرداری متفاوت یا جمعیت بیمار متفاوت نیز همان عملکرد را خواهد داشت یا نه.
به همین دلیل نتایج خارجی EAGLE اهمیت زیادی دارند: این مدل روی ۱۱٬۴۶۶ بیمار از هشت مرکز در سه کشور آزمایش شد و AUC برابر ۰٫۹۷۶، حساسیت ۸۹٫۵ درصد و اختصاصیت ۹۸٫۵ درصد به دست آورد.
RADAR نیز روی بیش از ۲۴ هزار CT از هشت مرکز خارجی آزمایش شد و عملکرد آن در مراکز مختلف همچنان در محدوده AUC حدود ۰٫۸۷۴ تا ۰٫۹۱۲ قرار داشت. این نوع اعتبارسنجی برای بررسی قابلیت تعمیم مدل ضروری است.
آیا این مدل‌ها مجوز رگولاتوری دارند؟
در منابع عمومی و رسمی بررسی‌شده برای این مقاله، مجوز FDA یا مجوز رگولاتوری معادل برای استفاده تشخیصی بالینی مستقل از RADAR یا EAGLE پیدا نشد. بنابراین نباید نتایج مقالات را با «تأیید پزشکی» یا مجوز استفاده بالینی اشتباه گرفت.
درباره RADAR، موضوع حتی روشن‌تر است: مستندات رسمی مدل آن را research-only معرفی می‌کنند و می‌گویند پیش از استقرار مستقیم بالینی به مطالعات آینده‌نگر بیشتری نیاز است.
همچنین وجود یک ثبت مطالعه بالینی برای RADAR به‌معنای دریافت مجوز نیست؛ ثبت مطالعه نشان می‌دهد پژوهشگران در حال ارزیابی یا توسعه یک کاربرد پزشکی هستند، نه اینکه محصول از سوی یک نهاد نظارتی تأیید شده باشد.
در مورد EAGLE نیز مقاله Nature Medicine شواهد گسترده‌ای از اعتبارسنجی چندمرکزی و حتی اعتبارسنجی آینده‌نگر بیمارستانی ارائه می‌کند، اما در مقاله یا منابع عمومی بررسی‌شده، مجوز FDA، CE یا NMPA برای استفاده تشخیصی روتین این مدل اعلام نشده است.
پس «یک CT، چند تشخیص» دقیقاً چه معنایی دارد؟
ایده اصلی این فناوری را می‌توان در یک جمله خلاصه کرد: یک تصویر پزشکی ممکن است اطلاعات بیشتری از سؤال اولیه‌ای که برای آن گرفته شده است در خود داشته باشد.
- RADAR: CT شکم با کنتراست را برای ۱۴۶ یافته در ۱۸ ساختار آناتومیک بررسی می‌کند.
- EAGLE: CT قفسه سینه بدون کنتراست را برای شناسایی سرطان و ضایعات پیش‌سرطانی مری تحلیل می‌کند.
- هر دو رویکرد: تلاش می‌کنند ارزش تشخیصی تصاویر موجود را افزایش دهند.
- تفاوت مهم: RADAR یک مدل عمومی‌تر برای طیف وسیعی از یافته‌های شکمی است، در حالی که EAGLE روی یک مسئله مشخص یعنی بدخیمی مری متمرکز است.
این تفاوت نشان می‌دهد اصطلاح «Medical Foundation Model» به معنای آن نیست که مدل الزاماً برای تمام بیماری‌ها مناسب است. فاندیشن بودن بیشتر به گستردگی نمایش آموخته‌شده و قابلیت استفاده از یک پایه مشترک برای وظایف متعدد اشاره دارد.
محدودیت‌هایی که نباید در خبرهای مربوط به این مدل‌ها نادیده گرفت
- RADAR فعلاً برای پژوهش معرفی شده و مستندات رسمی آن نیاز به مطالعات آینده‌نگر بیشتر را تصریح می‌کنند.
- RADAR فقط برای CT شکم با کنتراست طراحی شده است و نتایج آن را نمی‌توان به MRI، X-ray یا CT سایر نواحی بدن تعمیم داد.
- EAGLE برای CT قفسه سینه بدون کنتراست توسعه یافته و حتی عملکرد آن در CT با دوز پایین به‌صورت جداگانه بررسی شده است.
- حساسیت و اختصاصیت با تغییر آستانه تصمیم مدل تغییر می‌کنند؛ بنابراین یک عدد منفرد نمی‌تواند تمام عملکرد یک سامانه را توضیح دهد.
- اعتبارسنجی خارجی اهمیت دارد، چون تفاوت دستگاه‌ها، پروتکل‌ها و جمعیت بیماران می‌تواند عملکرد مدل را تغییر دهد.
- حتی نتیجه مثبت یک مدل پزشکی معمولاً نیازمند بررسی و اقدام تشخیصی مناسب است و به‌تنهایی معادل تشخیص قطعی نیست.
سؤالات متداول
RADAR چه نوع CT را تحلیل می‌کند؟
RADAR برای CT شکم با تزریق ماده حاجب طراحی شده و ۱۴۶ یافته را در ۱۸ ساختار آناتومیک ارزیابی می‌کند.
EAGLE چه بیماری‌هایی را در CT پیدا می‌کند؟
EAGLE برای شناسایی سرطان مری و ضایعات پیش‌سرطانی HGIN در CT قفسه سینه بدون کنتراست توسعه یافته است.
آیا RADAR و EAGLE مجوز استفاده پزشکی دارند؟
در منابع عمومی بررسی‌شده برای این مقاله، مجوز FDA، CE یا NMPA برای استفاده تشخیصی روتین این دو مدل اعلام نشده است. RADAR نیز در مستندات رسمی به‌صراحت research-only معرفی شده است.
آیا این مدل‌ها روی بیماران واقعی آزمایش شده‌اند؟
بله. RADAR روی مجموعه‌های واقعی بیمارستانی، مراکز خارجی و موارد اورژانسی ارزیابی شده است. EAGLE نیز علاوه بر اعتبارسنجی چندمرکزی، در یک مطالعه آینده‌نگر بیمارستانی روی ۱۷٬۴۴۶ بیمار ارزیابی شد.
آیا یک CT می‌تواند برای پیدا کردن بیماری‌های دیگر دوباره استفاده شود؟
بله، از نظر پژوهشی این یکی از اهداف اصلی چنین مدل‌هایی است. یک اسکن موجود ممکن است اطلاعاتی درباره یافته‌هایی داشته باشد که در سؤال اولیه بررسی تصویر مورد توجه نبوده‌اند؛ اما کاربرد بالینی هر مورد نیازمند اعتبارسنجی و چارچوب پزشکی مناسب است.
جمع‌بندی؛ هوش مصنوعی پزشکی به‌دنبال اطلاعات بیشتری از همان تصویر است
هوش مصنوعی پزشکی در تصویربرداری وارد مرحله‌ای می‌شود که سؤال فقط «آیا یک بیماری وجود دارد؟» نیست. مدل‌هایی مانند RADAR و EAGLE تلاش می‌کنند از یک CT موجود، مجموعه بزرگ‌تری از نشانه‌های قابل‌استفاده برای تصمیم‌گیری پزشکی را استخراج کنند.
RADAR این ایده را در مقیاس ۱۴۶ یافته شکمی آزمایش کرده و EAGLE نشان داده است که حتی CT بدون کنتراست قفسه سینه می‌تواند برای شناسایی برخی ضایعات مری دوباره تحلیل شود. با وجود نتایج قابل‌توجه، مسیر رسیدن از مقاله علمی به استفاده روزمره در بیمارستان شامل اعتبارسنجی آینده‌نگر، بررسی جمعیت‌های متنوع، ادغام با گردش کار پزشکی و دریافت مجوزهای لازم است.
هنگام ارزیابی هر ابزار هوش مصنوعی پزشکی، فقط به یک عدد «دقت» نگاه نکنید؛ نوع تصویر، جمعیت آزمایش، External Validation، نرخ مثبت کاذب و وضعیت رگولاتوری را هم بررسی کنید.
