DADD 潰瘍性結腸炎模型生成嚴重程度影像，但並非診斷判讀工具

DADD 已生成涵蓋四個嚴重程度等級的潰瘍性結腸炎內視鏡影像，但該模型不會根據新的大腸鏡影像診斷患者。DADD 潰瘍性結腸炎模型的功能，是在嘗試保留來源影像所示解剖結構的同時，合成可受控的疾病進展影像。這一差別相當重要，因為關於 AI「判讀」嚴重程度的標題，可能令人以為研究已證實其具備臨床功能，但已發表研究並未作出這種結論。

研究人員 Umut Dundar 和 Alptekin Temizel 在土耳其安卡拉的 Middle East Technical University 開發 DADD。這個縮寫代表 Disentangled Anatomy-Disease Diffusion。其模型將結構資訊與疾病相關紋理分開，再生成對應指定 Mayo Endoscopic Score 的影像。

經同儕審查的 DADD 研究於 2026 年 8 月 18 日在《Journal of Medical Imaging》網上發表。其核心成果並非自主診斷系統，而是顯示可控的合成影像加入真實訓練資料後，能改善另一個嚴重程度分類器。

因此，DADD 與 UC-SCALE 等直接為大腸鏡影片判定嚴重程度及位置分數的系統，屬於不同範疇。關鍵問題是，合成疾病進展能否解決持續存在的資料問題，同時不引入具臨床誤導性的特徵。

DADD 潰瘍性結腸炎模型實際改變了甚麼

DADD 將單一內視鏡視圖轉換為可控的合成疾病嚴重程度版本，同時嘗試維持患者特定的結構一致。

潰瘍性結腸炎會令結腸內壁發炎。臨床醫生會透過內視鏡檢查紅腫、出血、血管變化、糜爛及潰瘍等特徵。這些觀察有助判定疾病活動程度，並為治療決策提供依據。

Mayo Endoscopic Score，即 MES，會將內視鏡外觀分為由 0 至 3 的四個有序類別。MES 0 代表非活動性疾病，而 MES 3 代表嚴重發炎。這種序數結構令各類別具有明確方向，並非四個互不相干的標籤。

DADD 將這個有序量表用作控制訊號。研究人員可提供一張內視鏡影像，並要求生成與另一個嚴重程度相關的合成版本。模型其後會改變疾病相關外觀，同時嘗試保留來源影像的解剖結構與構圖。

這比生成一張標示為「嚴重」的通用影像更困難。黏膜紋理和解剖結構位於相同像素之中，因此傳統影像編碼器可能將患者特定的解剖結構，與模型應改變的疾病徵象混合在一起。

DADD 以解剖結構和嚴重程度的獨立表徵處理這個問題。其解剖結構路徑由預先訓練的影像編碼器開始，第二個序數嵌入則代表指定的疾病程度。

系統亦包括一個特徵淨化器，利用注意力機制抑制解剖結構表徵中與疾病相關的通道。預期結果是得到較乾淨的結構訊號，其中包含較少關於來源影像現有嚴重程度的資訊。

三路徑交叉注意力機制其後為擴散網絡提供淨化後的解剖結構、目標疾病狀態及兩者的互動。網絡會在不同層級以不同方式處理這些輸入。較深層特徵傾向影響整體結構，而較淺層特徵則保留較細緻的紋理。

最後一個主要組件是 delta steering。這個毋須訓練的控制訊號描述嚴重程度嵌入之間的方向，例如由 MES 1 移向 MES 2。它讓模型可在單次生成過程中明確完成疾病狀態轉換。

與其說這是診斷，不如理解為反事實視覺化。DADD 所問的是，既有場景在另一種嚴重程度下可能會呈現甚麼樣子。它並未確定臨床醫生應為未曾見過的患者判定甚麼分數。

這項差異亦解釋了該項目的評估策略。研究人員衡量生成影像是否接近指定等級、其視覺分布是否接近真實資料，以及是否有助訓練下游分類器。

在 Labeled Images for Ulcerative Colitis 資料集上，分層 DADD 版本的回歸評判器 quadratic weighted kappa 為 81.53，均方根誤差為 0.46。以相同框架評估的真實影像，則得到 83.28 QWK 和 0.47 RMSE。

Quadratic weighted kappa 衡量一致性，並會對較大的序數誤差施加比相近錯誤更高的懲罰。因此，將 MES 0 誤判為 MES 3，會比混淆相鄰等級被視為更嚴重。

模型亦錄得 27.20 的 Fréchet inception distance。FID 比較生成及真實影像集合的統計特徵，較低數值通常代表較高相似度。它仍然屬於間接影像指標，而非臨床保真度的證明。

最重要的是，加入 DADD 影像改善了下游分類器。僅以真實影像訓練時，準確率為 74.84%，QWK 為 83.14。加入合成影像後，兩項數值分別升至 77.75% 和 85.77%。

這項增幅雖然不大，卻對論文實際主張具有意義。合成影像有助重新平衡訓練資料，並在研究的實驗環境下改善分類結果。研究人員並未證明 DADD 本身可取代內視鏡醫生或臨床評分系統。

為何潰瘍性結腸炎 AI 需要更佳訓練資料

壓力來自不均衡的醫學影像資料集，而不是模型架構不足。

在有標籤的資料集中，嚴重個案一般較輕微或非活動性例子少見。這種不平衡可能令分類器偏向常見類別，同時難以識別罕見但臨床重要的發現。

醫學資料集亦面對網絡規模影像集合所沒有的實際限制。大腸鏡影像包含敏感健康資訊，需要專家標註，而且會因患者、影像設備、臨床中心及檢查前準備質素而有所不同。

一幀內視鏡影像可能包含模糊、液體、反光、儀器，或未能完整呈現黏膜。可見模式亦可能在同一名患者的結腸內不同位置有所變化。因此，單張影像只捕捉到整次檢查的一部分。

DADD 所使用的公開 LIMUC 資料集包含來自 564 名患者的 11,276 張影像。其標籤涵蓋四個 MES 等級，但分布並不均衡。這令它在研究上有用，同時說明為何針對罕見類別的資料擴增仍具吸引力。

傳統資料擴增可以裁剪、翻轉、旋轉真實影像，或調整其色彩。這些操作能增加視覺多樣性，但不能建立由非活動性疾病到嚴重疾病、具醫學連貫性的轉變。

生成模型提供更具野心的選項。它們可嘗試生成新的出血、潰瘍、血管模式改變或其他與嚴重程度相關的紋理例子。研究人員其後可將這些例子加入代表不足的類別。

然而，直接生成亦帶來第二個問題。模型可能連同病理特徵一起改變解剖結構，產生不同場景而非來源影像的合理進展。它亦可能重複訓練集中的瑕疵或相關性。

DADD 正是圍繞這種衝突設計。其架構把解剖結構視為應保留的元素，並把疾病外觀視為應控制的元素。這令其合成例子比通用的類別條件生成有更清晰的實驗目的。

該方法亦利用 MES 等級之間的有序關係。由 0 進展至 1，與在互不相關的影像類別之間跳躍不同。Delta steering 嘗試編碼這種方向性改變，而非要求網絡獨立學習每個類別。

這項差異對 AI 開發人員相當重要。當研究人員知道生成器應保留甚麼因素、又應改變甚麼因素時，合成資料集會更具價值。若缺乏這種分離，資料擴增可能在不知不覺間擴大錯誤的變異。

不過，較佳的類別平衡不會自動產生更佳的臨床工具。合成例子仍源自原始資料集的假設與偏差，無法引入來源資料中不存在的患者群體、設備特性或疾病表現。

DADD 的分類器改善，是在用以開發及評估該方法的同一較廣泛資料集環境中量度。研究並未報告前瞻性多中心臨床試驗，或於大腸鏡檢查期間的即時使用結果。

這讓系統面對一項熟悉的考驗：它必須證明可控生成增加的是具醫學價值的多樣性，而不只是符合另一個機器學習模型評分行為的影像。

問題不止於 DADD。一項 2022 年的內視鏡分類研究在 HyperKvasir 影像上訓練卷積網絡，並報告其所選任務的最佳準確率為 87.50%。該研究亦強調內視鏡評估的變異性，以及 AI 證據仍屬初步的性質。

較新的 DADD 研究將注意力上移至更前端。它並非引入另一個獨立分類器，而是針對分類器所使用的訓練資料。其意義取決於這項干預能否跨越不同機構與模型系列遷移。

合成進展與直接臨床評分

主要比較的是生成可控訓練例子，與直接為真實內視鏡影片評分這兩種做法。

直接評分系統更直接地回答臨床問題。它們處理真實影像或影片、估計嚴重程度，並有時繪出結腸內發炎的分布。

DADD 則服務於工作流程中的另一個層面。它產生可供其他系統使用的合成資料和視覺化結果。其輸出可支援分類器開發，但並非被呈現為根據新檢查作出的臨床決策。

這項差異令兩者無法以簡單排行榜比較。生成器的 FID 分數及資料擴增效益，並非與診斷系統和專家判讀者的一致性回答同一問題。

UC-SCALE 提供有用的參考點。該系統包括影像質素篩選器、MES 評分組件及鏡頭定位演算法。它使用第 3 期 etrolizumab 試驗中的 4,326 段乙狀結腸鏡影片訓練及測試。

已發表的 UC-SCALE 評估報告，在結腸分段層面與中央判讀者相比的 kappa 為 0.80。研究亦發現，系統輸出與生物標記、組織學結果、臨床醫生評估及患者報告結果之間存在相關性。

因此，UC-SCALE 評估真實檢查，並將其評分與多項臨床指標聯繫起來。DADD 則評估生成影像是否保留解剖結構、呈現指定嚴重程度，以及是否增強下游分類器。

另一個 2026 年系統 AI-ESe，透過多個階段分析完整內視鏡影片。它會檢查影像質素、偵測內視鏡停留位置、估計嚴重程度，並為整次檢查建立發炎熱圖。

AI-ESe 結果顯示，其嚴重程度評估的二次加權 kappa 為 0.80。其暫停偵測組件將位置估計的平均絕對時間差異由 39 秒降至 23 秒。

AI-ESe 亦揭示最嚴重病灶評分的弱點。在獲判傳統內視鏡最高子評分的影片中，中度至重度發炎黏膜的比例介乎 17.9% 至 100%。

這個範圍表示，兩次檢查即使獲得相同的最高等級，整體發炎負荷亦可能非常不同。分析病變範圍的系統，嘗試保留單一最嚴重區域評分所遺失的資訊。

DADD 並未解決病變範圍問題。它處理內視鏡影像並產生受控的視覺轉變。不過，其保留解剖結構的設計回應了一項相關需求：在不丟失觀察場景身分的前提下生成疾病變化。

這些路線最終可以互相補足。合成病程模型或可產生罕見案例，以訓練直接評分系統；影片層級模型其後或可利用這些案例強化後的表徵，評估真實影像。

在獨立研究加以測試前，這種結合仍屬假設。DADD 所報告的分類器改善，並不能證明它會有助於 UC-SCALE、AI-ESe 或其他商業系統。

生成與評分的差異亦影響風險。直接評分出錯，可能影響對真實患者檢查的判讀；生成器則會更早引入風險，改變用於訓練後續系統的資料。

上游錯誤可能更難察覺。若合成影像含有與 MES 3 反覆相關的偽影，分類器可能學習到該偽影，而非具臨床意義的發炎表徵。

當生成特徵對一般影像指標而言看似合理，卻被炎症性腸病專家判定為不正確時，亦可能出現同樣問題。FID 無法判斷血管紋理、潰瘍邊緣或出血外觀是否在臨床上連貫合理。

DADD 的迴歸判別器提供序數評估，但它仍然是以模型為基礎的評估工具。當生成器與另一個演算法承襲相似的數據集偏差時，兩者之間的一致性可能誇大品質。

對醫療 AI 團隊而言，實際教訓很明確。DADD 潰瘍性結腸炎模型是一種數據生成方法，並具備令人鼓舞的下游證據；它不應被描述為已驗證的患者嚴重程度判讀工具。

這些數字未能證明甚麼

DADD 的改善結果支持進一步測試，但不足以證明診斷準確性、患者受益或可安全部署於臨床。

研究中最具實際意義的數字，是下游準確率由 74.84% 提升至 77.75%。合成數據加入分類器訓練後，增幅為 2.91 個百分點。

其 QWK 由 83.14 升至 85.77，顯示經擴增的分類器在依嚴重程度排序的預測上亦有所改善。此指標很有價值，因為 MES 錯誤在臨床上的距離並不相同。

即使如此，單一數據集及單一實驗流程仍不足以確定泛化能力。模型可在熟悉的資料分布上有所改善，卻可能在其他醫院、內視鏡製造商、患者群體或標註流程的影像上失效。

LIMUC 數據來自土耳其單一機構環境。DADD 的作者亦位於土耳其，但公開數據集讓其他研究人員可以重現並檢驗這項工作。

外部驗證需要刻意採用不同的數據。實用的測試應包括不同內視鏡系統、腸道準備品質、人口群體及發炎模式。影片同樣重要，因為臨床內視鏡檢查並非由彼此獨立的靜態影像組成。

模型被定位為縱向合成，同樣需要審慎理解。DADD 在保留來源影像部分特徵的同時，建立代表不同嚴重程度的影像；它並非透過重複檢查追蹤患者，並預測該患者日後的疾病進程。

因此，生成的癒合影像是一項有條件的視覺假設。它並非治療會帶來這種改變的證據，也不是對何時會癒合的預測。

MES 控制亦限制了模型所代表的內容。MES 被廣泛使用，但它將複雜的可見所見壓縮為四個類別。每個等級內的黏膜實際上可以有相當大的差異。

既有評分研究已記錄判讀者之間的不一致。建立潰瘍性結腸炎內視鏡嚴重程度指數的研究發現，在所評估的描述項目及判讀者比較中，加權 kappa 值介乎 0.30 至 0.65。

這種不確定性會影響用於訓練生成式和判別式系統的標籤。當嚴重程度的基本定義本身包含觀察者差異時，模型無法清晰地分開解剖結構與疾病。

合成數據亦可能放大標籤假設。若訓練影像將某一視覺特徵與某個等級連結，生成器即使在另一個情境下專家會有不同解讀，仍可能重現該關聯。

特徵淨化器帶來另一個未解問題。它旨在從解剖結構 token 中移除與疾病相關的資訊。研究人員仍須確定，它是否同時移除了會正當地與疾病外觀互動的結構細節。

反過來說，部分疾病資訊可能仍留在所謂已淨化的表徵中。這種洩漏可能令嚴重程度控制的獨立性低於預期，尤其是在與來源等級相距較遠的轉變中。

論文所報告的生成影像與真實影像迴歸判別器結果相似，令人鼓舞。然而，兩個 RMSE 值——生成影像為 0.46、真實影像為 0.47——並不表示合成影像在臨床上等同真實檢查。

生成器亦需要專家針對失效模式作出審查。專家應檢視潰瘍、血管改變、出血及紋理轉變，在局部和整體層面是否仍然合理。

判讀者研究可比較 DADD 影像與真實影像，並要求臨床醫生識別嚴重程度、偵測不合理特徵，以及評估診斷實用性。若錯誤集中於與治療相關的分界，即使一致性高亦不足夠。

研究人員亦應測試，經 DADD 擴增訓練的分類器是否能在外部真實數據上改善表現。這是最明確的下一步，因為數據擴增主張是這項工作的核心。

前瞻性研究可更進一步，在評估前固定模型，並量度其對預先界定臨床任務的影響。此類設計可減少圍繞測試環境調校系統的機會。

監管問題雖然仍言之過早，卻無可避免。僅用於研究數據擴增的軟件，與提供患者個人化診斷資訊的軟件，面對不同的風險概況。

若 DADD 生成的影像最終成為受監管訓練流程的一部分，開發者將需要保存描述其來源及角色的紀錄。他們亦需要設置控制措施，防止合成個案被當作觀察到的影像而納入臨床紀錄。

這些缺口均不會否定所報告的結果。它們界定了結果的邊界。DADD 顯示，具解剖結構感知能力的擴散模型可建立有用的實驗數據，而非表示合成內視鏡已準備好指引醫療照護。

三個將決定 DADD 是否重要的訊號

外部分類器增益、專科醫生審查及影片層級測試，將決定 DADD 會成為實用基礎設施，還是僅停留在具前景的基準結果。

第一個訊號是外部真實影像數據集上的表現。研究人員應以有及沒有 DADD 影像的方式訓練可比較的分類器，然後在其他地方測試前固定兩個系統。

可重複的改善將強化 DADD 增加有用疾病變異的主張。若增益在 LIMUC 以外消失，則顯示生成器主要是在強化其來源分布。

最具資訊價值的分析會按 MES 等級拆分結果。合成擴增應有助於其意圖重新平衡的罕見類別，同時不降低常見類別的表現。

校準同樣重要。分類器可以提升準確率，卻對錯誤變得過度自信。醫療應用需要在不同人群和設備變化下仍然可信的機率估計。

第二個訊號是由炎症性腸病專家進行盲法審查。審查者應評估局部病理、解剖結構保留、轉變真實感，以及是否存在生成偽影。

此研究應包括具挑戰性的相鄰轉變，例如 MES 1 至 MES 2。這些邊界的模糊性，可能高於由非活動性疾病轉變為重度疾病時的顯著視覺差異。

專家亦應將 DADD 與較簡單的擴增方法及其他生成式方法作比較。複雜架構只有在其解剖結構與疾病的分離帶來可量度優勢時，才值得採用。

若審查者持續偵測到不可能或具誤導性的特徵，分類器增益便較缺乏說服力。這可能表示下游模型受惠於臨床影像中不存在或不適當的捷徑。

第三個訊號是由靜態影像擴展至完整影片及空間病變範圍。結腸鏡檢查隨時間展開，臨床醫生會判讀連續視角，而非孤立影格。

影片帶來運動、重複的黏膜視圖、模糊、光線變化及不一的檢查速度。能處理靜態影像的生成器，若逐格套用，可能產生時間閃爍或互相矛盾的病理表徵。

DADD 亦需要有方法在整段序列中保留連貫的解剖結構。每個生成影格應與相鄰影格及指定疾病狀態保持一致。

直接評分項目顯示了這一點的重要性。AI-ESe 明確偵測內視鏡停滯，以減少過度抽樣；UC-SCALE 則估計結腸內的位置。兩者均將影片結構視為量度問題的一部分。

成功的影片擴展將加強 DADD 對真實開發流程的相關性；若未能維持時間一致性，其角色便會局限於靜態影像實驗。

這些測試不應被另一項有利的影像生成指標所取代。核心承諾在於，將解剖結構與疾病分離可帶來更佳的醫療訓練數據。因此，驗證必須量度這些數據的表現、真實感及可遷移性。

對開發者而言，DADD 提供一個有用的架構模式：分開應維持不變的因素與模型應改變的因素，然後測試這種分離是否改善下游任務。

對臨床醫生而言，眼前訊息更為狹窄。該系統不會提供新的面向患者嚴重程度評分、治療建議或預後。

對患者而言，生成影像不應被解讀為個人疾病進程的預測。它們代表附加於四級量表的模型化外觀。

DADD 潰瘍性結腸炎模型值得關注，因為它針對醫療 AI 的真實瓶頸：專家標註影像稀少且分布不均。其早期結果顯示可量度的分類器效益，以及更清晰的嚴重程度控制方式。

決定性證據現在必須來自模型此前未接觸過的真實數據。DADD 擴增能否改善經外部測試的分類器、通過盲法專科醫生審查，並在影片中保持連貫？這三項結果將決定合成病程能否成為可靠的醫學影像基礎設施。