A multi-model study of diagnostic faithfulness in AI-generated histopathology images

病理学家是微观世界的侦探，他们通过显微镜观察人体组织的薄片来诊断疾病。他们的工作依赖于一套精确的语言来描述所见之物：细胞的形状、组织的纹理以及结构的排列。几十年来，分享这些视觉教训一直是一件难事。真实的患者图像受到严格隐私法的保护，而为学生教学或训练计算机寻找足够的罕见疾病案例也是一项持续的挑战。近年来，一种新型的人工智能出现了，它能将文字描述转化为图像。人们希望这些机器可以生成完美的教学图像，或为研究创建庞大的合成组织库，从而绕过对真实患者数据的需求。但一个关键问题仍然存在：如果一台计算机写下了一种特定疾病的描述，然后又画出了它的图像，那么这张图像是真的看起来像实物，还是仅仅看起来像一个合理的猜测？

清华大学的一个研究小组致力于回答这个问题，他们测试了七种不同的人工智能模型。他们想看看这些机器是否能够忠实地将医学报告转化为准确的组织学图像。为此，他们利用从权威医学教科书中提取的 579 个真实案例构建了一个严谨的测试。这些案例涵盖了从大脑、肺部到皮肤和生殖器官等各种人体系统。研究人员将这些教科书案例中的文字描述输入到七个 AI 模型中，并要求它们生成相应的图像。随后，他们使用三种不同的自动化方法对结果进行了比较。第一种方法检查生成的图像在整体风格和纹理上是否与真实图像相匹配。第二种方法测量图像中的具体细节与描述中的特定词汇的契合程度。第三种方法是一项记忆测试：他们将 AI 生成的图像展示给系统，并询问系统是否能找到创建该图像的原始医学报告。

结果揭示了一个复杂的情况，展示了这些机器能做什么以及不能做什么。一个名为 Nano Banana Pro 的模型在所有三项测试中的表现都优于其他模型。它生成的图像最接近教科书示例，并且与文字描述的契合度最高。然而，即使是这个表现最好的模型，在记忆测试中也遇到了困难。当向系统展示生成的图像时，系统仅能在约 6% 的情况下正确识别出原始的医学报告。这意味着，虽然图像看起来大致真实，但缺乏能够让医生或计算机区分一个特定病例与其他病例的独特细节。研究还发现，不同的测试方法经常相互矛盾。一个模型可能会产生在统计学上与真实组织相似的图像，但在捕捉文本描述的具体细节方面却表现不佳；而另一个模型则可能恰恰相反。

这种分歧凸显了目前我们在医学领域评估人工智能时的一个关键局限性。一个模型可能非常擅长模仿组织样本的通用“外观”，但实际上并不理解它应该代表的特定疾病。研究人员发现，一个仅针对乳腺组织进行训练的专门模型在模仿乳腺样本的通用外观方面表现良好，但这并不能保证它能准确呈现特定病例的具体特征。研究结论指出，依靠单一的分数来评判这些模型是危险的。要真正了解人工智能在医学教育或研究中是否有用，我们必须既衡量图像的通用真实感，又衡量它们匹配特定描述的能力。在这些系统能够可靠地重现疾病的精细细节之前，它们仍然只是生成通用视觉效果的强大工具，尚未准备好取代真实病理学的精准度。