告别人工标注：Nature子刊EVA-X重塑胸片AI诊疗新范式

过去十年间，人工智能在医疗领域经历了显著演变。早期医学AI多采用“任务导向”的深度学习范式：向系统输入大量已标注数据，训练特定疾病识别模型，以完成单一诊断任务。这种模式虽推动了影像智能化，却遭遇核心瓶颈：医学数据的最大痛点并非匮乏，而是高质量人工标注稀缺。一张胸部X光片往往需资深放射科医师进行病灶识别、定位及严重程度分级，而海量影像数据虽丰富，却缺乏精细标注。因此，传统AI模型面临标注成本高昂、泛化能力受限、单模型单任务、难以适应真实临床场景等难题。

近年来，人工智能领域迎来重大变革：从“专用模型”转向“基础模型（Foundation Model）”，这一趋势首推自自然语言处理领域。例如：ChatGPT并非针对单一问题训练，而是通过海量文本习得语言规律，从而胜任对话、总结、推理、创作等多重任务。医学界开始探索：能否训练出类似ChatGPT的医学AI基础模型，使其理解复杂医学数据并适配多种临床任务？一个真正契合临床的医学影像基础模型，需兼具：卓越的视觉理解力、跨疾病泛化性、降低人工标注依赖、病灶定位能力及临床环境适应性。那么，AI能否仅凭海量未标注医学影像，挖掘其中潜藏的疾病规律？今日所介绍的研究给出了关键答案。

本文介绍2025年11月17日华中电子科技大在《npj Digital Medicine》（IF=18）发表的文章“EVA-X: a foundation model for general chest x-ray analysis with self-supervised learning”，即“EVA-X：基于自监督学习的胸部X光通用分析基础模型”。

论文链接：https://www.nature.com/

背景

胸部X光检查是全球应用最广的医学影像技术之一。目前全球年完成约36亿次医学影像检查，其中胸片占比约40%。因其成本低、辐射小、获取快、普及度高，成为肺炎、COVID-19、胸腔积液、肺气肿等疾病的关键诊断工具。然而，现有胸片AI模型存在三大核心问题：问题1：高度依赖人工标注；问题2：模型过于单一；问题3：缺乏真实临床泛化能力。因此，亟需一种具备迁移与泛化能力的医学影像基础模型。

研究设计

作者提出，若利用海量未标注胸片，通过自监督学习让AI主动习得：疾病相关语义、图像空间结构信息，AI便能获得类似医生视觉经验的通用影像理解能力。

研究内容与结果

作者整合了ChestX-ray14、CheXpert、MIMIC-CXR等公开胸片数据库（1A），累计超52万张胸部X光图像，涵盖超20种胸部健康状态，包括肺炎、肺结核、气胸、肺结节、心脏扩大、胸腔积液等。EVA-X采用自监督学习结合对比学习，探究不同图像间哪些特征相似、哪些相异；并结合Mask Image Modeling随机遮挡部分图像，让AI预测缺失区域（1B）。作者强调，EVA-X非疾病分类器，而是医学视觉基础模型，训练后可迁移至生理与病理分析（1C）。进一步在11项胸片任务中测试EVA-X表现，结果显示其均超越现有最佳模型（1D）。通过52万张无标注胸片训练，EVA-X已成为具备通用医学视觉能力的基础模型，并能迁移至不同疾病诊断任务。

图1 EVA-X框

如何引导AI从海量无标签医学影像中习得有效知识？Figure 2展示了EVA-X的双Transformer架构。第一步：图像Patch化，AI将每个Patch转换为Image Token；第二步：Mask Image Modeling，作者随机遮挡部分Patch，AI需预测缺失区域内容；第三步：引入Tokenizer，此为本文创新设计，作者加入X-Ray Tokenizer，提供医学影像高级语义；第四步：融合两种学习方式①Mask Image Modeling学习空间结构、②Contrastive Learning学习语义关系。

图2 EVA-X核心结构。

作者进一步从三方面验证EVA-X是否优于传统医学AI模型——模型性能、计算效率及少样本学习能力。①对比传统CNN、医学AI模型及自然图像模型，EVA-X性能最佳，超越所有现有医学影像预训练模型，且参数更少；②在多种疾病分类测试中，其表现亦超越所有既有模型；③少样本学习能力：作者测试仅使用1%训练数据时，EVA-X仍达约95%诊断准确率。

图3 分类任务性能。

作者测试四项任务：1.肺结构分割、2.肺炎区域定位、3.气胸区域、4.肺结核区域，评估预测区域与真实区域交集比例。结果显示EVA-X在四项任务中均居首位。

图4 分割任务性能。

作者还采用Grad-CAM技术，让AI展示其关注的胸片区域，评估AI定位区域与真实病灶位置的一致性（5A），热图亦显示EVA-X能精准聚焦肺部异常区域（5B）。

图5 模型可解释性性能。

此外，作者构建了包含武汉同济医院、武汉协和医院等14家中国医院的10000张胸片数据集，利用DeepSeek-V3自动解析影像报告生成标签，随后对比EVA-X与其他医学AI模型，结果显示EVA-X显著优于其他模型。

图6 EVA-X真实世界数据验证。

研究总结

该研究最大优势在于提出面向胸部X光影像的医学基础模型EVA-X，依托大规模无标注医学影像与自监督学习策略，突破了传统医学AI高度依赖人工标注、单任务泛化不足的局限。研究不仅验证了EVA-X在疾病分类、病灶分割、弱监督定位及真实世界数据中的卓越性能，还通过轻量化模型设计提升了临床部署潜力，体现了医学AI从“任务专用模型”向“通用医学视觉基础模型”演进的重要趋势。然而，该研究仍存在局限：目前模型主要针对胸部X光场景，其跨模态（如CT、MRI、病理图像）、跨疾病及跨人群泛化能力尚待进一步验证；同时，研究缺乏前瞻性临床试验及“AI辅助医生决策是否提升诊疗效率与准确性”的真实临床证据。此外，公开数据库存在人群与设备偏倚，可能影响模型在不同医疗环境中的可靠性。未来，随着医学大语言模型、多模态基础模型及真实世界临床数据的融合，EVA-X这类医学视觉基础模型有望作为视觉编码器，连接影像、文本、基因组学等多维医学信息，构建更智能化、个性化的临床辅助决策系统，推动AI从“疾病识别工具”向“医学智能助手”迈进。