AI超声赛道迎来重大突破 “聆音”EchoCare超声基座大模型在港发布
新浪广东
关注
超声检查因其安全、无创、实时、廉价的优点，已成为临床诊断的重要手段。然而，AI超声的发展却步履维艰，由于数据集规模小、来源单一，面临AI模型精度不足等问题，亟需技术突破与产业协同。在此背景下，中国科学院香港创新研究院人工智能与机器人创新中心（CAIR）于9月17日在香港发布了其最新科研成果——“聆音”EchoCare超声大模型。
据介绍，“聆音”EchoCare超声大模型依托目前所知首个规模超过400万张的超声影像数据集进行训练。该模型引入“结构化对比自监督学习框架”，基于医学先验的层次化树形标签，实现多标签语义关系结构化学习与隐式编码，通过图像掩膜重建技术、自适应困难图块挖掘技术、渐进式训练策略等方法，有效提升了模型对超声影像深层语义的建模能力与泛化性能。
测试结果表明，“聆音”EchoCare在超声图像分割、分类、检测、回归、增强等七大医学任务及十余项下游应用中，均取得当前最优性能表现，模型相对当前SOTA方法性能提高3%~5%。
孟高峰研究员讲解超声大模型技术亮点
CAIR副主任孟高峰研究员在发布会上解释了“聆音”这一名称源于成语“聆音察理”，出自南朝刘勰的《文心雕龙·知音》，文中提到“操千曲而后晓声，观千剑而后识器”与超声大模型的研发理念高度契合。“EchoCare创新性地采用了结构化对比自监督学习方法，无需大量数据标注即可实现特征学习与下游任务的解耦，实现超声领域先验知识内化以及跨任务知识迁移。”他表示。
据介绍，模型在山东大学齐鲁医院妇产科1556例卵巢肿瘤超声病例和中南大学湘雅医院1000余例甲状腺超声检查中的具体案例验证，其性能显著优于现有SOTA方法。
“聆音”EchoCare的标准化分析能力可有效降低重大疾病的漏诊与误诊率，显著提升临床诊断的效率与规范性，为基层医疗工作者提供强有力的技术支持。在案例分享环节，香港中文大学医学院黄鸿亮教授首先介绍了“聆音”EchoCare超声大模型在心脏超声主动脉瘤检测与分析方面的回顾性验证结果，并展望了该大模型与机器人技术结合后在临床中的潜在应用价值。在现场演示环节，他导入两段超声扫查视频，模型迅速捕捉并解析出视频中的关键医学信息，成功识别出异常病例，并自动生成了相应的超声报告供医生参考。
香港中文大学医学院黄鸿亮教授
中国科学院香港创新研究院人工智能与机器人创新中心开源发布的“聆音”EchoCare超声大模型，通过打破传统超声设备之间的兼容壁垒，激活多中心数据价值，为医疗机构提供了可复用的AI基础设施。这一成果不仅加速了超声AI规模化应用的落地，更为智能健康产业升级注入了持续的创新动能。
