《Nature Machine Intelligence》于2026年10月13日发表论文，介绍一种名为AMIFound的多模态医学图像复原与增强基础模型。论文称，该模型面向CT、MRI、PET、内镜、超声、眼底和X光七类影像，使用约376万组高质量与退化图像进行训练和评估，覆盖七种具有代表性的图像退化模式。论文原文
这项工作的重点不是针对单一设备优化一个图像处理算法，而是尝试用统一模型处理不同医学影像的质量恢复问题。其架构包括共享编码器和动态路由机制：模型先把不同模态、不同质量状态的输入映射到共享潜在特征空间，再根据输入特征从专家复原模块中选择合适路径。论文称，这种设计结合了频域、空间域和局部结构信息，以适应不同影像的噪声、模糊或其他退化情况。
从应用角度看，统一的影像增强模型有望减少医院针对不同设备、不同影像模态重复开发算法的成本，也可能为远程医疗、基层影像设备和历史低质量影像的再利用提供技术基础。不过，图像“看起来更清晰”并不等于诊断结果更准确。论文摘要显示的重点是复原能力和信息保留，尚不足以证明模型已经改善了临床诊断、治疗决策或患者结局。尤其在医学影像中，任何生成式或重建式增强都需要排查模型是否引入原始影像不存在的结构，或在少见病变上产生误导。
后续值得关注三点：第一，模型是否会公开跨医院、跨设备和跨人群的外部验证结果；第二，复原后的影像能否在盲法阅片、病灶检出和定量测量等任务上稳定提升；第三，医院部署时如何保留原始影像、记录模型版本并建立人工复核流程。就目前资料而言，AMIFound更适合被视为多模态医学影像统一建模的一项研究进展，而不是已经完成临床落地验证的诊断工具。
参考来源：
由 AI 整理，仅供参考；请以原始来源为准。
