胸部 X 光生成器,讓使用者決定疾病出現在哪裡
LatAlignCXR 以解剖結構與病灶位置引導影像生成器;在盲測中,放射科醫師評定它產生的影像空間一致性高於另一套系統。

以文字為輸入的影像生成器,可以依要求產生顯示某種疾病的胸部 X 光影像,但使用者往往很難決定這個疾病該出現在胸腔的哪個位置,或擴散到多大範圍。Isabella Schlattner、Vadim Atlassov、Azimzhan Abdrakhmanov、Dong-Ok Won 與 Min-Ho Lee 於 2026 年在 Scientific Reports 期刊發表的論文,介紹了一套名為 LatAlignCXR 的系統,目的就是提供這種空間上的控制。braintankAI 無法取得論文全文,因此本文依據的是論文摘要。
核心概念是在請求與影像之間,加入一個有結構的中間步驟。LatAlignCXR 會先把任何請求轉成潛在表徵(latent representation,模型內部使用的精簡描述),這個表徵的結構分別對應三件事:胸腔解剖結構的配置、疾病的位置,以及涵蓋影像其餘外觀的剩餘部分。請求可以是一段文字提示、一張當作參考的現有 X 光片,或是使用者自訂的座標。三種途徑都會進入同一個表徵,因此一套系統就能處理以文字、影像或座標驅動的生成。
系統從這個表徵解碼出三種引導訊號,作者稱之為先驗(prior):分別針對解剖結構、病理,以及胸腔的結構。這些訊號引導的是影像生成器本身,也就是可擴充內插 Transformer(scalable interpolant transformer,SiT)。這是一種以 Transformer 為基礎的生成模型,屬於透過一連串漸進步驟、學習把隨機雜訊轉成逼真影像的那一類模型。
作者以胸部 X 光片資料集 MIMIC-CXR 測試這套系統。在解剖結構版本的 Dice 分數上(一種重疊程度指標,數值越高代表吻合程度越高),LatAlignCXR 在受比較的系統中得分最高,為 0.6564。在使用的四個特徵空間中,它也有三個取得最低的 Fréchet 距離。Fréchet 距離是透過影像分析網路,比較生成影像與真實影像的統計特性,數值越低代表合成影像整體越像真實影像;摘要沒有說明是哪四個特徵空間。
摘要中報告的空間測試以肺炎為主。在受比較的系統中,LatAlignCXR 的肺炎定位一致性最高,Dice 分數為 0.1385,IoU 為 0.0741。IoU 即交集除以聯集(intersection over union),是另一種相關的重疊指標,同樣是數值越高代表越吻合。這兩個數字都離完全重疊還很遠;而且摘要沒有提供其他系統的分數,因此無法從摘要判斷領先幅度有多大。
在一項盲測評估中,放射科醫師在不知道影像出自哪個系統的情況下評分。LatAlignCXR 在病理一致性與空間一致性上的平均評分分別為 4.63 和 4.50,對照系統 Cheff 則是 3.63 和 3.37。摘要沒有說明有多少位放射科醫師參與,也沒有交代使用的評分量表。
作者也探討合成影像能否幫助訓練影像分類器。在有 1000 張真實影像可用時,加入合成影像讓準確率從 69.0% 提高到 76.0%。隨著可用的真實資料增加,加入合成影像的效果變小,而且呈非單調變化,也就是說,效果並不會隨真實資料量穩定上升或下降。摘要沒有說明分類器被訓練來辨識哪些病症。
作者的結論是,這些結果支持以結構化的潛在表徵作為生成條件(structured latent conditioning),來合成空間上可控制的胸部 X 光影像,尤其在病理呈現與空間一致性方面。不過,摘要中的定位數字只涉及肺炎;一旦有更多真實資料,訓練上的效果就較小,而且不穩定。這項研究評估的是生成影像,並包含一項訓練實驗;摘要並未描述這套系統在臨床照護上的任何應用。
- 論文
- Latent-aligned scalable interpolant transformer for controllable chest X-ray synthesis
- 作者
- Isabella Schlattner, Vadim Atlassov, Azimzhan Abdrakhmanov, Dong-Ok Won, Min-Ho Lee
- 刊登
- Scientific Reports · 2026年10月30日
- 連結
- doi:10.1038/s41598-026-75231-7
- 英文版
- Chest X-ray generator lets users choose where a disease appears


