一张图「裂变」出罕见病灶训练集：免再训练生成框架EndoRare同时帮到AI与新手医生（Nature Communications）
一句话结论
研究显示，复旦大学联合团队提出EndoRare：仅需一张参考图像，经语言引导的概念解耦把病灶的诊断性特征编码进可学习原型嵌入、同时变化非诊断属性，即可一次性生成多样且临床可信的罕见消化道病变图像；合成数据增强改善AI分类器低假阳性率下的真阳性率，并探索性地改善新手内镜医师的读片识别。
罕见病灶的两头卡：AI缺数据，医生缺经验
钙化纤维瘤、幼年性息肉病综合征、家族性腺瘤性息肉病（FAP）、黑斑息肉综合征（P-J综合征）——这类病变在常规内镜检查中一年也遇不上几例。训练可靠的AI识别模型需要成百上千张样本，住院医师想练出「看一眼就认出」的经验同样需要曝光量，而真实世界恰恰最缺这些图像。
常见思路是生成模型「造数据」，但罕见病连训练生成模型的数据都不够。EndoRare走的是另一条路：one-shot——一张参考图直接出样。
概念解耦：留住「病」，变掉「背景」
据论文报道，EndoRare用语言引导的概念解耦，把图像拆成两类信息：病灶独有的诊断性特征被编码进可学习的原型嵌入，光照、角度、黏膜背景等非诊断属性则被自由变化。整个过程免再训练，从一张参考图即可生成多样化 exemplar。
四类罕见病变的验证显示，专家判断合成图像具备临床可信度；把合成数据用于增强后，下游AI分类器在低假阳性率区间的真阳性率显著提高——筛查场景里，这正是「少漏诊、少误报」的关键指标。
教育价值与必须守住的边界
探索性读片研究中，接触EndoRare生成病例的新手内镜医师图像级识别能力有所提升——若经前瞻对照验证，「AI造病例、医生练读片」或成为规培环节的低成本补充。
需要如实说明：读片研究为探索性质、非随机对照；合成图像与真实病灶的分布差异、以及防止合成数据放大模型偏差的问题，论文本身也列为下一步工作。在「合成样本进入医学训练与AI开发」这件事上，这仍是早期阶段。
信息来源
- 论文期刊：Nature Communications（影响因子参考：18.1（2025年度JCR））
- DOI：10.1038/s41467-026-78492-y
- 发表日期：2026-10-25（在线发表）
- 作者单位：复旦大学基础医学院数字医学研究中心（中国上海）· 浙江大学上海高等研究院 · 上海市内镜微创协同创新中心 · 上海市医学图像计算重点实验室 · 复旦大学附属中山医院内镜中心 · 帝国理工学院数据科学研究所（英国伦敦）· 曼彻斯特大学（通讯作者见原文）
- 配图：论文原文 Figure 1/2，版权属原作者及出版社
本文为基于论文公开摘要与原文信息的原创科普整理，动物模型结果与人体疗效已严格区分，未核验字段已如实标注。