导语
在医学影像领域，一次CT扫描会产生大量原始数据，但传统诊断流程需将其转换为图像供医生分析。近日，一项研究提出全新思路：人工智能（AI）无需依赖图像重建，可直接从CT原始数据中识别肺部结节的良恶性。这一发现为医学诊断流程优化提供了新方向。

背景：从图像到知识的传统路径
自1895年X射线发现以来，医学影像技术已成为疾病诊断的核心工具。CT扫描通过X射线信号生成人体横断面图像，医生借此观察病变。然而，这一过程需将原始数据转换为图像，涉及复杂的数学重建算法。研究表明，图像重建可能导致部分原始信息丢失或失真，而AI技术的介入或能突破这一局限。

研究亮点：跳过图像，直击数据本质
中国研究团队在《Engineering》期刊发表的最新成果中，首次探索了AI直接解析CT原始数据的可行性。团队收集了276名患者的CT原始数据及对应影像，对比了AI基于原始数据与CT图像的诊断效能。结果显示，原始数据模型的诊断准确性与传统CT图像模型相当；更值得注意的是，将两者结合后，AI的准确率显著提升，尤其在老年、女性或较小结节的亚组中表现更优。

“这就像直接从源头获取信息，而非依赖加工后的产物。”研究参与者解释，原始数据包含探测器接收的原始X射线衰减信号，其数据量是重建图像的10-20倍。尽管人类难以直接解读这些非视觉化数据，但AI可通过深度学习挖掘其中的潜在规律。

技术解析：AI如何“读懂”原始数据？
CT原始数据具有三维结构，包括扫描序列、探测器通道和行方向信息。研究团队开发了一套定位映射算法，将CT图像中标注的结节区域反向映射至原始数据空间，提取对应信号片段。随后，采用DenseNet、ResNet等经典卷积网络分析这些数据，并与传统CT图像模型融合。

实验发现，原始数据中特定信号模式与结节恶性程度相关。例如，AI模型对原始数据中结节区域的关注度是非结节区域的2倍，表明其能自主识别关键信号特征。团队进一步通过可视化技术（Grad-CAM）验证，AI的决策依据与结节实际位置高度吻合。

临床意义：效率与精准度的双重提升
传统CT诊断需经过数据采集、图像重建、医生读片等多重环节。若AI能直接从原始数据中提取诊断信息，或将简化流程、缩短时间。尤其对基层医疗机构而言，这一方法可缓解影像科医生资源不足的压力。

研究还揭示了另一重要发现：原始数据中存有图像无法捕获的信息。例如，在部分被CT模型误判的病例中，融合原始数据的模型成功纠正了错误。团队推测，重建过程中的插值、滤波等操作可能过滤掉部分细微特征，而原始数据完整保留了这些“蛛丝马迹”。

未来展望：从肺部结节到更多可能性
尽管研究聚焦于肺部结节，其方法论具备普适性。团队成员表示：“这一思路可拓展至其他影像模态，如MRI或PET。”未来，若CT设备能集成AI实时分析原始数据的功能，或将实现“扫描即诊断”的全自动化流程。

当然，挑战依然存在。原始数据的高维度特性对计算资源提出更高要求，且需开发适配非图像数据的专用算法。此外，现行CT扫描协议专为图像重建设计，未来或需优化扫描策略以最大化原始数据的诊断价值。

结语
当医学影像遇见AI，我们正在见证诊断范式的悄然转变。跳过图像重建、直连信号与知识，这不仅是对技术路径的革新，更是对“如何更完整地利用数据”这一本质问题的回答。随着研究的深入，AI与原始数据的结合或将成为精准医疗的新基石。

来源: Engineering