2026年10月8日，美国哈佛医学院介绍了一项医学影像人工智能数据研究进展。研究团队通过构建能够将放射影像描述与胸部CT具体位置关联的公开数据集，为医疗人工智能的可解释性研究提供新的技术基础。

近年来，人工智能已经广泛应用于医学影像分析研究。算法可以辅助识别部分影像特征，帮助研究人员探索更加高效的医学图像处理方式。然而，如何清楚解释模型识别到了什么、对应哪个位置，仍然是临床应用中的重要问题。

传统胸部CT检查包含大量二维切片，医生需要结合不同层面的图像观察异常结构，并将发现整理为文字报告。人工智能如果只输出一段结论，而不能明确标注对应区域，就可能增加医生核查结果的难度。

研究团队开发的ReXGroundingCT数据集，将影像报告中的具体描述与三维CT内部的空间位置联系起来。例如，当报告指出某个肺部区域存在结节时，模型可以学习将文字信息与影像中的对应位置关联。

相关数据集已向科研社区开放。此前举行的国际医学影像计算相关竞赛吸引了来自15个国家的53支团队参与，研究人员通过统一任务测试不同技术方案。

这一进展体现了医学人工智能评价标准的变化。过去，算法研究较多关注分类结果是否正确，而当前研究更加重视结果能否被核查、解释和重复验证。

该技术未来可能用于医学影像辅助分析、放射科培训和医学数据标准化建设。通过将文字与影像空间位置相结合，有助于研究人员提高系统输出的透明度。

不过，公开数据集和算法竞赛成绩并不等同于真实临床效果。模型仍需经过独立测试、不同医疗机构验证和严格的安全评估。

国际医学影像技术正逐步向多模态信息融合发展。能够提供位置证据和清晰解释的人工智能系统，有望成为未来医疗影像研究的重要方向。