医学影像是现代诊疗的重要支撑，胸部X光、眼底照相、组织病理切片等检查每天产生海量数据。
但在真实临床环境中，影像解读资源紧张、经验差异明显，基层与高负荷科室尤为突出。
更现实的难题在于，许多智能影像技术高度依赖“先标注、再训练”的流程：需要医生逐张圈定病灶或给出精确定位信息，既耗时耗力，也难以在不同医院、不同设备、不同人群间快速复制推广。
如何降低对高成本标注数据的依赖，成为医学影像智能应用进一步落地的关键瓶颈之一。
此次发表的研究瞄准上述痛点，提出AFLoc模型，核心突破在于“免标注定位”——在不需要医生提前标出病灶位置的情况下，让模型在影像中自动寻找可疑区域并完成定位。
研究由中国科学院深圳先进技术研究院医学成像科学与技术系统全国重点实验室王珊珊团队牵头，联合清华大学周洪宇、澳门科技大学张康等合作者完成，并在国际期刊《自然—生物医学工程》发表。
研究团队围绕胸部X光、眼底影像、组织病理图像三类典型影像模态开展系统验证，结果显示该方法在多场景下均取得较优表现，说明其具备跨模态迁移与应用的潜力。
从原因分析看，传统方法之所以受限，一方面在于医学影像的标注门槛高：病灶边界可能不清晰、形态多变，标注需要专科医生反复比对，且不同专家之间存在一定主观差异；另一方面，临床病例分布“长尾”明显，罕见病或非典型表现难以积累足够标注样本，导致模型训练受数据规模与结构制约。
免标注定位的研究方向，实质是在“数据可得性”和“临床可复制性”之间寻求新的平衡：尽量减少对精细标注的刚性依赖，把医生从大量重复劳动中解放出来，让有限的专家资源更多投入到高风险病例复核、诊疗决策与质量控制中。
就影响而言，这类技术若进一步成熟，有望在三个层面产生积极效应：其一，在公共卫生与常规筛查场景中，可作为前置分流工具，提高影像检查的初筛效率，减少漏诊风险，尤其对胸部影像与眼底筛查等高频需求具有现实意义；其二，在医疗资源分布不均的背景下，辅助定位可为基层机构提供更稳定的参考依据，促进分级诊疗体系中的影像能力补齐；其三，对科研与多中心协作而言，降低标注依赖有助于扩大训练数据规模，推动跨医院、跨设备的模型泛化，缩短从实验室到临床应用的转化周期。
不过，业内也普遍认为，免标注定位并不等同于“无需临床验证即可使用”。
面向真实医疗场景，仍需在多中心、不同人群与不同成像条件下进行更大规模的前瞻性评估，重点关注误报率、漏报率及其对临床流程的影响。
同时，算法给出的可疑区域需要与医生的专业判断形成闭环，建立可追溯、可解释、可审计的质量管理机制，避免“只看结果不看依据”。
在应用对策上，建议以高发病种与标准化程度较高的检查项目作为切入点，先在筛查与辅助提示环节稳步推进，再逐步拓展到更复杂的诊断支持任务；同时加强数据治理与隐私保护，完善多机构协作下的合规共享与评测标准，形成可持续迭代的应用生态。
展望未来，随着医学影像数据持续增长与多模态诊疗趋势加快，减少标注成本、提升模型泛化能力将成为重要方向。
以AFLoc为代表的探索，为智能影像从“依赖大量精细标注”向“更贴近临床真实数据形态”迈进提供了新思路。
若能与临床工作流深度融合，并通过严谨的循证评估验证其有效性与安全性，相关成果有望在提高诊疗效率、优化医疗资源配置、推动智慧医疗高质量发展方面释放更大价值。
此次技术突破标志着我国在智能医疗领域已从"跟随创新"迈向"源头创新"阶段。
当科技不再简单替代人力，而是通过增强医生能力来重构诊疗体系，其价值将超越效率提升本身，为构建优质高效的医疗卫生服务体系提供关键技术支撑。
如何在技术创新与医疗本质之间找到平衡点，仍是需要持续探索的命题。