中国科学院香港创新研究院人工智能与机器人创新中心（Centre for Artificial Intelligence and Robotics, CAIR）发布了一个名为“聆音”（EchoCare）的超声大模型。

用一个超过400万张图像的、目前全球已知规模最大的超声数据集，通过“自监督学习”框架，“自学成才”训练出了一个AI。

结果是，这个AI在好几项关键的诊断任务上，把之前的最高纪录都给破了。

一切要从B超说起

咱们去医院，CT（计算机断层扫描）、MRI（磁共振成像）、X光这些检查，哪个检查用得最多，还得是超声CT，也就是我们常说的B超。

这东西，安全，没辐射，孕妇小孩都能用。实时，探头放上去，屏幕上立刻就有图像。便宜，做一次的价格比那些大家伙亲民多了。所以，中国的年超声检查量，在所有常规影像检查里排第一。

量大，是好事，也是麻烦事。超声检查，极度依赖操作医生的“手艺”。同一个病人，同一个部位，换个医生来做，甚至同一个医生换个心情，探头角度稍微偏一点，压力稍微大一点，出来的图像可能就是两码事。这就导致诊断结果有时候会飘忽不定，全凭医生的经验和状态。

经验丰富的老师傅，能从一堆模糊的雪花点里看出重点。刚上手的新医生，可能就不友好了。

这种“非标准化”的特点，成了超声诊断的命门，也给AI的应用带来了天大的麻烦。

过去很多年，超声AI的发展一直不温不火，根本原因就卡在这儿了。数据集规模太小，往往就几千几万张图，还都是从单一医院、单一设备上采的。用这种数据训练出来的模型，一到新环境就抓瞎，临床上根本没法用。

用“题海战术”喂出一个学霸

CAIR这次扮演了破局者的角色。他们决定从最根本的问题下手：数据。

他们搞出了一个叫EchoCareData（也叫EchoAtlas）的数据集。

这个数据集有多夸张？

4536150张超声图像。

光有数量还不行，质量和多样性更关键。这些数据来自全球5大洲、23个国家和地区、23家临床中心。采集设备用了38种不同的超声仪。覆盖的人群包括黄种人、白种人、黑种人、棕种人。人体的9大区域、52种解剖器官，基本上都全了。

研究人员把全世界的学术资源平台、数据平台、医学挑战赛网站翻了个底朝天，然后经过严格的筛选、去重和质量把控，才最终成型。

有了这套史诗级的“教材”，AI就有了见多识广的底气。它不会再因为换了台机器，或者换了个人种，就表现失常。它的“眼界”，从一开始就是世界级的。

不请家教，让AI自己悟

传统的AI训练方法叫“监督学习”，就像请家教。你得找一堆专家，一张一张地给图片打标签。“这里是肝脏”，“这个是结节，良性的”，“那个是肿瘤，恶性的”。这个过程极其耗时耗力，成本高到飞起，而且专家的判断也可能存在主观差异。

对于几百万张图片来说，这条路，基本走不通。

CAIR另辟蹊径，用了一种更聪明的办法：自监督学习。让AI自己学。

怎么学？比如，把一张超声图像随机遮住一块，然后让模型去猜被遮住的部分长什么样。为了猜对，模型就必须拼命去理解图像里的上下文关系、纹理特征、器官结构。猜的次数多了，成千上万亿次之后，它自然而然就理解了超声图像的深层规律。

这就好比一个人，不用老师教他什么是猫，只要给他看足够多的、各种各样的猫的照片，哪怕照片有残缺，他自己也能总结出猫的通用特征。

CAIR更进了一步，他们首创了一个“结构化对比自监督学习框架”。这个框架更高级的地方在于，它融入了医学的先验知识。比如，AI在学习的时候，就被告知“心尖两腔心”是“心脏”的一部分，而“心脏”又在“胸部”。这种层次化的结构，就像给AI脑子里装了一幅解剖学地图。

同时，他们还在模型里加入了一个“分层分类器”分支。这个分支的任务，就是预测被遮挡区域的解剖学类别。这样一来，模型在预训练的时候，不仅要学习像素长什么样（局部细节），还要学习这块区域在整个解剖结构里处于什么位置（全局认知）。

这套组合拳打下来，模型就学会了像一个真正的医生那样去思考，而不是一个只会识别像素的机器。

临床实战，效果惊人

CAIR团队带着EchoCare，分别和山东大学齐鲁医院、中南大学湘雅医院、香港中文大学医学院进行了合作，开展了临床回溯性验证。

在山东大学齐鲁医院，他们分析了1556例卵巢超声病例。卵巢肿瘤的良恶性判断，是妇科超声诊断里的一大难点。结果显示，EchoCare的灵敏度达到了85.6%，特异度为88.7%。其中，灵敏度这个指标，比现有的顶尖方法提升了整整8个百分点。这意味着，它能更有效地发现恶性肿瘤，减少漏诊。

齐鲁医院超声科的陶国伟主任评价说，这技术能有效弥补医生之间的经验差异，提升诊断的一致性。

在中南大学湘雅医院，战场换到了甲状腺。他们用1000多个病例对模型进行了测试。在甲状腺结节检测上，EchoCare的平均精度为88.8%，比之前的方法高出5%。在结节良恶性分类上，灵敏度高达90.5%，特异度达到94.1%。

湘雅医院的常实主任指出，这个AI系统可以减少人为差异，提高效率，为早期诊断和个体化治疗提供可靠支持。

在香港中文大学医学院，黄鸿亮教授则展示了EchoCare在心脏超声主动脉瘤检测上的应用。在发布会现场，他直接导入了两段超声视频，模型迅速就捕捉到了关键医学信息，识别出了异常病例，并且自动生成了超声报告。

在器官分割、分类、检测、回归、增强等七大类医学任务和十多项下游应用中，EchoCare的表现都达到了当前最优，性能平均比现有SOTA（State-of-the-Art，当前最高水平）方法高出3%到5%。

开源，以及更大的野心

CAIR做出了一个决定：把EchoCare的模型、代码和那个史诗级的数据集，全部公开发布。

全球的超声AI研究者，都可以站在这位巨人的肩膀上，继续向上攀登。这无疑会极大地推动整个领域的发展。

CAIR主任刘宏斌研究员说，开发大模型的目的，是让超声设备用起来更简单，提升诊断水平，最终让医生这个职业，变成一个纯粹的脑力工作者，而不是一个既要动脑又要拼体力的劳动者。

光有聪明的“大脑”还不够，CAIR还有灵活的“双手”。

他们自主研发了一款名为“超声助手”（Ultrasound Copilot）的具身智能超声机器人。这个机器人能听懂语音指令，能通过视觉和触觉感知环境，还能自己规划探头怎么走位，以获得最佳的成像切面。

当EchoCare这个AI大脑，与超声机器人这双巧手结合，一幅未来医院的图景就清晰地展现在我们面前：病人躺下，机器人自动完成标准化的全身超声扫描，AI实时分析图像，生成诊断报告，然后交给医生做最终的决策。

这不仅能把医生从繁重的重复性劳动中解放出来，更能让优质的超声诊断服务，跨越地域和经验的鸿沟，抵达每一个需要它的角落。

所以，EchoCare的发布，可能不仅仅是一个模型的诞生，更是一个时代的开始。

当AI学会了老师傅几十年的手艺，你看病还会只盯着专家号吗？

参考资料：

https://www.cair-cas.org.hk/article/535

https://github.com/CAIR-HKISI/EchoCare

https://arxiv.org/abs/2509.11752

免责声明：本文来自算泥客户端，不代表超天才网的观点和立场。文章及图片来源网络，版权归作者所有，如有投诉请联系删除。