纽约大学数据科学中心的研究人员发现，简化的人工智能架构在医学影像异常检测中表现出更优性能。博士生许燕祺（Yanqi Xu）及其团队发现，相较于复杂模型，简化版AI在检测医学扫描图像中的异常病灶时效果更佳。
研究团队以专为自然图像物体识别设计的检测变压器模型（DETR）为基础，测试了简化架构在医学影像中的应用效果。该模型采用多层特征提取、多尺度分析和迭代优化等复杂工程策略，专门应对自然场景中物体重叠、尺寸多变、视角复杂等挑战。但在医学影像领域，标准化的成像协议使得解剖结构定位统一、背景差异极小，目标物体（如肿瘤、病灶）通常数量少且尺寸微小，需要识别组织间的细微差异。
"我们希望在盲目应用通用场景优化模型之前，重新审视这些设置是否真正适合医学影像。"许燕祺解释道。该研究发表于《生物医学影像机器学习》期刊，标题为《理解DETR在自然与医学影像应用中的差异》，团队成员包括纽约大学放射学系访问学者克里希托夫·J·格拉斯（Krzysztof J. Geras）等专家。
通过减少处理层级、采用单尺度特征图替代多尺度融合、移除高级解码增强技术等简化措施，团队成功将标准DETR模型的计算需求降低40%，同时保持检测性能相当或更优。在乳腺X光数据集测试中，简化架构的检测指标提升了最高9.8%。
这项研究揭示了医学影像分析的本质特征：与自然图像（定位是主要挑战）不同，医学影像的标准化成像条件使定位变得简单，但区分正常与异常组织的难度显著增加。研究建议，医学AI开发应着重优化分类能力而非定位功能，这种针对特定任务需求调整模型复杂度的方法，为构建更高效精准的医疗AI系统提供了新框架。
【全文结束】