（来源：医学界）
转自：医学界
过去，医生需要判断影像中隐藏的疾病；未来，医生可能还需要判断眼前这张影像是否真实。
一张头颅CT摆在182名放射科医生面前。最终，只有24%的人认出了它是假的。其余76%的医生都认为，这是一张来自真实患者的CT影像。
但事实上，它从未经过CT机扫描，它来自AI。
7月16日，《Clinical Radiology》发表的一项研究引发了影像学界的关注。研究人员利用开源Stable Diffusion模型，通过DreamBooth微调技术训练生成医学影像，并邀请182名放射科医生参与测试。结果显示，医生对AI生成影像的平均识别率为75%，意味着每4张AI影像中就有1张可能被误认为真实影像。
对于一个长期依赖影像进行疾病诊断的专业领域而言，这无疑是一个值得关注的信号。
AI已经开始“制造”医学影像
这项研究真正值得关注的地方，并不只是“AI越来越像”，而是生成门槛已经低到令人意外。研究团队并没有使用大型医学影像数据库，而是针对不同模态仅使用20至30张训练图像进行微调，最终便生成了包括头颅CT、胸部CT、心脏CT、脑MRI以及X线和超声在内的多种医学影像。
这意味着，过去只有大型科技公司或科研机构才能完成的工作，如今可能借助开源模型和有限数据就能实现。生成式AI在医疗领域的发展，正在从“辅助诊断”逐渐走向“生成诊断数据”。
更值得警惕的是，最难识别的并不是X光片，而是CT和MRI。研究结果显示，CT图像识别率仅为70%，MRI为77%，明显低于X线的91%和超声的88%。 最逼真的几张假图几乎全部来自CT和MRI，包括头颅CT、胸部CT、心脏CT和脑MRI。
A = 头颅CT（24%）
B = 头颅CT（43%）
C = 头颅CT（59%）
D = 胸部CT（64%）
E = 胸部CT（69%）
F = 心脏CT（71%）
G = 肌骨MRI（71%）
H = 头颅MRI（73%）
对于放射科医生而言，这些横断面影像本就是日常诊断的核心依据，而对于扩散模型而言，CT和MRI切片又恰恰是最容易学习和模仿的数据形态。换句话说，未来最有可能出现“医学Deepfake”的领域，或许正是高端影像诊断。
有趣的是，医生工作经验和AI知识储备并没有带来明显优势。无论是刚入行的医生还是从业二十余年的资深专家，在识别AI影像方面差异并不显著；熟悉AI和不了解AI的人也没有明显区别。真正能够提高识别率的，是亚专科能力。拥有胸部影像或心脏影像背景的医生，在对应领域的识别准确率明显更高。 这或许意味着，未来人与AI的竞争不再是经验的竞争，而是专业深度的竞争。
医疗版Deepfake，会带来什么？
当然，生成式AI并非只有风险。论文作者同样指出，合成医学影像在模型训练、隐私保护、数据共享以及医学教育方面具有巨大价值。对于稀有病例、数据不足疾病以及跨机构研究而言，合成数据可能成为重要补充。
但与此同时，研究也发出了明确警告：当AI能够生成足够逼真的医学影像后，伪造病例、虚假科研数据甚至被篡改的患者病历都可能出现，进而导致误诊和不恰当治疗。
过去，医学影像领域的技术进步主要围绕设备性能、图像质量和智能辅助诊断展开。而随着生成式AI的发展，影像数据的真实性也开始成为新的关注方向。如何识别AI生成内容、保障医学影像数据可信，正在成为科研、临床和监管领域需要共同面对的问题。