DADD 溃疡性结肠炎模型可生成严重程度图像，但并非诊断阅读器

DADD 已生成覆盖四个严重程度等级的溃疡性结肠炎内镜图像，但该模型不会根据新的结肠镜图像诊断患者。DADD 溃疡性结肠炎模型所做的，是在尝试保留源图像中解剖结构的同时，合成可控的疾病进展图像。这一区别很重要，因为有关 AI “解读”严重程度的标题，可能会暗示已发表研究并未证实的临床功能。

土耳其安卡拉中东技术大学的研究人员 Umut Dundar 和 Alptekin Temizel 开发了 DADD。该缩写代表 Disentangled Anatomy-Disease Diffusion。其模型将结构信息与疾病相关纹理分离，随后生成代表指定 Mayo Endoscopic Score 的图像。

经同行评审的 DADD 研究于 2026 年 8 月 18 日在线发表于 Journal of Medical Imaging。其核心成果并非自主诊断系统，而是证明可控合成图像加入真实训练数据后，能够提升另一套严重程度分类器的表现。

这使 DADD 与 UC-SCALE 等直接为结肠镜视频分配严重程度和位置评分的系统处于不同赛道。核心问题在于，合成疾病进展能否在不引入具有临床误导性的特征的前提下，解决长期存在的数据难题。

DADD 溃疡性结肠炎模型实际改变了什么

DADD 可将单个内镜视图转换为不同疾病严重程度的可控合成版本，同时尝试保持患者特异性的结构一致。

溃疡性结肠炎会导致结肠内壁发炎。临床医生通过内镜检查发红、出血、血管变化、糜烂和溃疡等特征。这些观察有助于确定疾病活动度，并为治疗决策提供依据。

Mayo Endoscopic Score，即 MES，将内镜表现划分为从 0 到 3 的四个有序类别。MES 0 表示疾病不活动，MES 3 表示严重炎症。与四个彼此无关的标签不同，这种序数结构赋予这些类别明确的方向性。

DADD 将该有序量表用作控制信号。研究人员可提供一张内镜图像，并要求生成与另一严重程度相关的合成版本。模型随后改变疾病相关外观，同时尝试保留源图像的解剖结构和构图。

这比生成一张标为“严重”的通用图像更困难。黏膜纹理和解剖结构占据相同的像素。因此，传统图像编码器可能会将患者特异性的解剖结构，与模型应当改变的疾病征象混合在一起。

DADD 通过分别表征解剖结构和严重程度来处理这一问题。其解剖结构路径始于一个预训练图像编码器。第二个序数嵌入则表示所请求的疾病等级。

该系统还包含一个特征净化器，利用注意力机制抑制解剖结构表征中与疾病相关的通道。其目标是得到更纯净的结构信号，其中携带的源图像既有严重程度信息更少。

随后，三路径交叉注意力机制将净化后的解剖结构、目标疾病状态及两者的交互信息提供给扩散网络。网络在不同层中以不同方式路由这些输入。较深层特征往往影响整体结构，较浅层特征则保留更精细的纹理。

最后一个主要组件是 delta steering。这一无需训练的控制信号描述了严重程度嵌入之间的方向，例如从 MES 1 向 MES 2 的变化。它使模型能在一次生成过程中明确完成疾病状态转换。

将结果理解为反事实可视化，比理解为诊断更准确。DADD 所问的是，现有场景在另一种严重程度条件下可能呈现何种样貌。它并不能确定临床医生应为一名未见患者打出什么分数。

这种差异也解释了项目的评估策略。研究人员衡量生成图像是否接近所要求的等级、其视觉分布是否接近真实数据，以及它们是否有助于训练下游分类器。

在 Labeled Images for Ulcerative Colitis 数据集上，分层 DADD 版本的回归判别器二次加权 kappa 达到 81.53，均方根误差为 0.46。真实图像通过同一框架评估时，得到 83.28 QWK 和 0.47 RMSE。

二次加权 kappa 用于衡量一致性，并对较大的序数误差施加比相邻等级误差更重的惩罚。因此，将 MES 0 误判为 MES 3，比混淆相邻等级更为严重。

该模型的 Fréchet inception distance 也达到 27.20。FID 比较生成图像集与真实图像集的统计特征，较低数值通常表示相似度更高。它仍是一项间接的图像指标，而非临床保真度的证明。

最重要的是，加入 DADD 图像后，下游分类器的表现有所提升。仅使用真实图像训练时，准确率为 74.84%，QWK 为 83.14。加入合成图像后，这两项指标分别提高至 77.75% 和 85.77%。

这一增幅不大，但对论文实际提出的主张具有意义。合成图像有助于重新平衡训练数据，并在研究的实验环境中改善分类表现。研究人员并未证明 DADD 本身可以取代内镜医师或临床评分系统。

为什么溃疡性结肠炎 AI 需要更好的训练数据

压力来自不均衡的医学影像数据集，而不是模型架构的缺乏。

在带标签的数据集中，重症病例通常少于轻症或疾病不活动的样本。这种不平衡可能使分类器偏向常见类别，同时难以识别罕见但具有重要临床意义的发现。

医学数据集还面临互联网规模图像集不存在的实际限制。结肠镜图像包含敏感健康信息，需要专科人员标注，并且会因患者、成像设备、临床中心和肠道准备质量而异。

一帧内镜图像可能包含模糊、液体、眩光、器械，或不完整的黏膜视野。可见模式也可能在同一患者结肠的不同部位有所不同。因此，单张图像只能捕捉一次更大范围检查的一部分。

DADD 使用的公开 LIMUC 数据集包含来自 564 名患者的 11,276 张图像。其标签覆盖四个 MES 等级，但分布并不均衡。这使它适用于研究，同时也说明了为何针对罕见类别的数据增强仍具吸引力。

传统数据增强可以裁剪、翻转、旋转真实图像，或调整其颜色。这些操作增加了视觉多样性，但无法创造从疾病不活动到重症的医学上连贯的过渡。

生成模型提供了更具雄心的选择。它们可尝试生成新的出血、溃疡、改变的血管模式或其他与严重程度相关的纹理示例。研究人员随后可将这些示例加入代表不足的类别。

然而，朴素的生成方法会带来第二个问题。模型可能在改变病理特征的同时改变解剖结构，生成不同场景，而非源图像合理的疾病进展。它也可能重复训练集中的伪影或相关性。

DADD 正是围绕这一冲突设计的。其架构将解剖结构视为应当保留的内容，将疾病外观视为应当控制的内容。这使其合成示例比通用的类别条件生成具有更明确的实验目的。

该方法还利用了 MES 等级之间的有序关系。从 0 到 1 的进展不同于在彼此无关的图像类别之间跳跃。Delta steering 尝试编码这种方向性变化，而非要求网络孤立地学习每个类别。

这一区别对 AI 开发者很重要。当研究人员明确知道生成器应保留哪些因素、改变哪些因素时，合成数据集才更具价值。若缺少这种分离，数据增强可能会悄然扩大错误的变异。

然而，更好的类别平衡并不自动产生更好的临床工具。合成示例仍源自原始数据集的假设和偏差。它们无法引入源数据中不存在的患者群体、设备特征或疾病表现。

DADD 的分类器改进是在用于开发和评估该方法的同一更广泛数据集环境中测得的。研究未报告前瞻性多中心临床试验，也未报告其在结肠镜检查期间的实时使用。

这使系统面临一种熟悉的压力：它必须证明可控生成增加的是具有医学价值的多样性，而不只是与另一机器学习模型评分行为相匹配的图像。

这一问题并不局限于 DADD。2022 年的一项 内镜分类研究在 HyperKvasir 图像上训练卷积网络，并报告其选定任务的最佳准确率为 87.50%。该工作同样强调了内镜评估的变异性，以及 AI 证据的初步性质。

较新的 DADD 研究将关注点上移。它并非再引入一个独立分类器，而是瞄准分类器所消耗的训练数据。其意义取决于这一干预能否跨机构和模型家族迁移。

合成进展与直接临床评分

主要竞争在于：生成可控训练示例，还是直接为真实内镜视频评分。

直接评分系统对临床问题的回答更直接。它们处理真实图像或视频，给出严重程度估计，有时还绘制炎症在结肠中的分布。

DADD 服务于工作流程中的另一层。它生成可供其他系统使用的合成数据和可视化结果。其输出可支持分类器开发，但并未被表述为对一次新检查作出的临床决策。

这种差异意味着无法进行简单的排行榜比较。生成器的 FID 分数和数据增强收益，回答的并不是诊断系统与专家阅片者一致性所回答的问题。

UC-SCALE 提供了一个有用的参考点。该系统包含图像质量筛选器、MES 评分组件和摄像头定位算法。它使用来自 3 期 etrolizumab 试验的 4,326 段乙状结肠镜视频进行训练和测试。

已发表的 UC-SCALE 评估报告，在结肠分段层面，其与中心阅片者相比的 kappa 为 0.80。研究还发现，该系统的输出与生物标志物、组织学、临床医生评估和患者报告结局之间存在相关性。

因此，UC-SCALE 评估真实检查，并将其评分与多项临床指标联系起来。DADD 则评估生成图像是否保留解剖结构、是否代表所要求的严重程度，以及是否能增强下游分类器。

另一套 2026 年系统 AI-ESe 通过多个阶段分析完整内镜视频。它检查图像质量、检测内镜停留情况、估计严重程度，并在整个检查过程中生成炎症热图。

AI-ESe 结果显示，其严重程度评估的二次加权 kappa 为 0.80。其暂停检测组件将位置估计的平均绝对时间偏差从 39 秒降至 23 秒。

AI-ESe 还暴露了最严重病灶评分的一项弱点。在被赋予最高传统内镜子评分的视频中，中度至重度炎症黏膜的占比范围为 17.9% 至 100%。

这一范围意味着，两次检查即使具有相同的最高等级，其总体炎症负担也可能截然不同。分析病变范围的系统试图保留单一最严重区域评分所丢失的信息。

DADD 并未解决病变范围问题。它基于内镜图像运行，并生成受控的视觉变化。尽管如此，其保留解剖结构的设计回应了一个相关需求：在不丢失所观察场景身份的前提下生成疾病变化。

这两条路线最终可能形成互补。合成进展模型可以为训练直接评分系统生成罕见样本；随后，视频级模型可利用这些样本强化后的表征来评估真实影像。

在独立研究进行验证之前，这种组合仍只是假设。DADD 报告的分类器改进并不能证明它将有助于 UC-SCALE、AI-ESe 或其他商业系统。

生成与评分之间的差异同样塑造了风险。直接评分错误可能影响对真实患者检查结果的解读。生成器则更早引入风险，因为它改变了用于训练后续系统的数据。

上游错误可能更难发现。如果合成图像中包含与 MES 3 反复相关的伪影，分类器可能学会识别该伪影，而非具有临床意义的炎症。

当生成特征对通用图像指标而言看似合理、却被炎症性肠病专科医生认为不正确时，也可能出现同样的问题。FID 无法判断血管纹理、溃疡边缘或出血表现是否具有临床一致性。

DADD 的回归评估器提供了序数评估，但它仍然是基于模型的评估器。当生成器与另一种算法具有相似的数据集偏差时，两者的一致性可能高估质量。

对于医疗 AI 团队而言，实际教训很明确。DADD 溃疡性结肠炎模型是一种数据生成方法，并具有令人鼓舞的下游证据。它不应被描述为经验证的患者严重程度判读工具。

这些数字尚不能证明什么

DADD 的提升支持进一步测试，但并不能证明其诊断准确性、患者获益或临床安全部署能力。

该研究最具实际意义的数字，是分类器训练引入合成数据后准确率从 74.84% 提升至 77.75%。这意味着提高了 2.91 个百分点。

其 QWK 从 83.14 提升至 85.77，表明经过增强的分类器在按严重程度排序的预测中也表现得更好。该指标具有价值，因为 MES 错误在临床上的差距并不相同。

即便如此，单一数据集和单一实验流程无法确定泛化能力。模型可以在熟悉的分布上得到提升，却在来自另一家医院、另一种内镜制造商、不同患者群体或不同标注协议的图像上失效。

LIMUC 数据来自土耳其的单一机构环境。DADD 作者同样位于土耳其，不过公开数据集使其他研究人员能够复现并检验这项工作。

外部验证需要刻意采用不同的数据。有效测试应包括不同的内镜系统、肠道准备质量、人口统计群体和炎症模式。视频同样重要，因为临床内镜检查并非一组相互独立的静态图像。

该模型作为纵向合成工具的定位也需要谨慎理解。DADD 在保留源图像部分特征的同时，创建代表不同严重程度的图像。它并不会通过重复检查追踪某位患者，也不会预测该患者未来的疾病进程。

因此，生成的愈合图像是一种条件化的视觉假设。它并不能证明某种治疗会带来这种变化，也不能预测愈合何时发生。

MES 控制同样限制了模型所表达的内容。MES 被广泛使用，但它将复杂的可见发现压缩为四个类别。每个等级内的底层黏膜表现可能存在显著差异。

既有评分研究已记录阅片者之间的不一致。开发溃疡性结肠炎内镜严重程度指数的研究发现，在所评估的描述项和阅片者比较中，加权 kappa 值介于 0.30 至 0.65 之间。

这种不确定性会影响用于训练生成式和判别式系统的标签。当严重程度的底层定义本身包含观察者差异时，模型无法清晰地区分解剖结构与疾病。

合成数据还可能放大标签假设。如果训练图像将特定视觉特征与某一等级相关联，生成器即使在专科医生会于另一语境中做出不同解读时，也可能重现这种关联。

特征净化器引入了另一个开放问题。它旨在从解剖 token 中移除与疾病相关的信息。研究人员仍需确定，它是否也移除了与疾病表现确实存在合理交互的结构细节。

反过来，部分疾病信息也可能仍保留在所谓净化后的表征中。这种泄漏可能使严重程度控制的独立性低于预期，尤其是在远离源等级的转换中。

论文报告的生成图像与真实图像回归评估器结果之间的相似性令人鼓舞。然而，生成图像的 RMSE 为 0.46、真实图像的 RMSE 为 0.47，并不意味着合成图像与真实检查在临床上等价。

生成器还需要聚焦失效模式的专家审查。专科医生应检查溃疡、血管变化、出血和纹理转换在局部和整体层面是否仍然合理。

阅片研究可以比较 DADD 图像与真实图像，同时要求临床医生识别严重程度、发现不合理特征，并评价诊断效用。如果错误集中在与治疗相关的边界附近，仅有一致性并不足够。

研究人员还应检验，经 DADD 增强训练的分类器是否能在外部真实数据上得到提升。这是最明确的下一步，因为数据增强主张是该工作的核心。

前瞻性研究将更进一步：在评估前固定模型，并衡量其对预定义临床任务的影响。此类设计可减少围绕测试环境调整系统的机会。

监管问题目前仍言之过早，但无法回避。仅用于研究增强的软件，与提供患者特异性诊断信息的软件，面临不同的风险概况。

如果 DADD 生成图像最终成为受监管训练流程的一部分，开发者将需要记录其来源和作用。他们还需要采取控制措施，防止合成病例被当作观察图像纳入临床记录。

这些空白均不会否定已报告的结果。它们界定了结果的边界。DADD 表明，具备解剖结构感知能力的扩散模型可以生成有用的实验数据，而非表明合成内镜已准备好指导医疗决策。

决定 DADD 是否重要的三个信号

外部分类器提升、专科医生审查和视频级测试，将决定 DADD 是成为有用的基础设施，还是停留在一个有前景的基准结果。

第一个信号是其在外部真实图像数据集上的表现。研究人员应分别在有和没有 DADD 图像的情况下训练可比分类器，然后在其他数据上测试前固定这两个系统。

可重复的提升将强化 DADD 增加了有用疾病变化的主张。若这种提升在 LIMUC 之外消失，则可能表明生成器主要是在强化其源分布。

最具信息价值的分析应按 MES 等级拆分结果。合成增强应帮助其旨在重新平衡的罕见类别，同时不降低常见类别的表现。

校准同样重要。分类器可以提升准确率，却对错误变得过度自信。医疗应用需要在不同人群和设备变化中仍可信的概率估计。

第二个信号是由炎症性肠病专科医生进行的盲法审查。审查者应评估局部病理表现、解剖结构保留、转换真实性以及生成伪影的存在。

该研究应纳入困难的相邻等级转换，例如 MES 1 至 MES 2。这些边界可能比从非活动性疾病到重度疾病的视觉剧烈变化具有更高的不确定性。

专科医生还应将 DADD 与更简单的数据增强方法及其他生成式方法进行比较。复杂架构只有在其解剖结构与疾病分离能够产生可测量优势时，才值得采用。

如果审查者持续发现不可能或具有误导性的特征，分类器提升的说服力就会下降。这可能说明下游模型从临床图像中不存在或不适当的捷径中获益。

第三个信号是从静态图像扩展至完整视频和空间疾病范围。结肠镜检查随时间展开，临床医生解读的是连续视图，而非孤立帧。

视频带来了运动、重复的黏膜视图、模糊、不断变化的照明和可变的检查速度。适用于静态图像的生成器若逐帧应用，可能产生时间闪烁或相互矛盾的病理表现。

DADD 还需要一种方法来保留序列中的连贯解剖结构。每个生成帧都应与相邻帧及请求的疾病状态保持一致。

直接评分项目说明了这一点为何重要。AI-ESe 明确检测内镜停滞以减少过度采样，而 UC-SCALE 则估计结肠中的位置。两者都将视频结构视为测量问题的一部分。

成功的视频扩展将增强 DADD 对真实开发流程的相关性。若无法维持时间一致性，其作用将仅限于静态图像实验。

这些测试不应被另一项有利的图像生成指标所替代。核心承诺在于，将解剖结构与疾病分离能够产生更好的医疗训练数据。因此，验证必须衡量这些数据的性能、真实性和可迁移性。

对开发者而言，DADD 提供了一种有用的架构模式：分离应保持不变的因素与模型应改变的因素，然后检验这种分离是否改善下游任务。

对临床医生而言，眼下的信息更为有限。该系统并不提供新的面向患者的严重程度评分、治疗建议或预后判断。

对患者而言，生成图像不应被理解为个人疾病进展的预测。它们代表附着于四级量表的建模外观。

DADD 溃疡性结肠炎模型值得关注，因为它针对了医疗 AI 中一个真实的瓶颈：稀缺且分布不均的专家标注图像。其早期结果显示了可测量的分类器收益，以及更明确的严重程度控制形式。

决定性证据现在必须来自模型此前并不知晓的真实数据。DADD 增强能否提升经外部测试的分类器、经受盲法专科医生审查，并在视频中保持连贯？这三项结果将决定合成进展是否会成为可靠的医学影像基础设施。