在當今科技飛速發展的時代，核醫學與人工智能的結合正開辟著醫學影像診斷與治療的新紀元。馬寄曉核醫學教室的張永學教授及其團隊，正敏銳地聚焦于這一交叉領域的前沿，特別是作為融合基石的“人工智能基礎軟件開發”，致力于推動核醫學的智能化升級。
核醫學，作為利用放射性核素進行疾病診斷、治療和研究的學科，其核心優勢在于提供功能、代謝和分子水平的影像信息。海量影像數據的處理、復雜圖像的精準判讀、以及個性化治療方案的制定，對傳統方法提出了巨大挑戰。人工智能，特別是其分支——機器學習與深度學習，憑借強大的模式識別與數據分析能力，為解決這些痛點帶來了革命性潛力。
而潛力的釋放，高度依賴于堅實可靠的人工智能基礎軟件開發。這構成了連接核醫學專業領域知識與先進算法能力的橋梁。張永學教授團隊關注的核心，正是開發面向核醫學特定場景的AI基礎軟件工具與平臺。此類開發并非簡單應用現有通用AI框架，而是需要深度融合核醫學的領域知識：
- 數據預處理與標準化模塊開發：核醫學影像（如PET、SPECT）數據具有其獨特的噪聲特性、衰減校正需求和示蹤劑動力學模型。基礎軟件需集成專門針對這些數據的預處理算法，如高效的圖像去噪、標準化攝取值（SUV）的精準計算、以及時間-活度曲線的智能提取工具，為后續AI模型提供高質量、標準化的輸入。
- 專用算法庫與模型架構設計：針對病灶自動檢測、分割、定量分析以及疾病預后預測等任務，需要開發或優化專用的深度學習模型（如3D卷積神經網絡、U-Net變體、注意力機制模型）。基礎軟件平臺需提供這些模型的模塊化實現、訓練框架以及預訓練模型庫，降低核醫學研究者應用AI的技術門檻。
- 融合分析平臺構建：核醫學診斷常需與CT、MRI等多模態影像結合。AI基礎軟件需支持多模態數據的配準、融合與聯合分析，開發能夠綜合利用結構、功能與代謝信息的融合算法，提升診斷的全面性與準確性。
- 可解釋性與臨床工作流集成：醫療AI必須具有可解釋性。基礎軟件開發需注重模型決策過程的可視化（如生成特征熱圖），并設計能夠無縫嵌入現有核醫學報告系統與PACS的工作流接口，確保AI工具實用、易用且可信。
通過深耕人工智能基礎軟件開發，張永學教授團隊旨在構建一個開放、協同的創新生態。這不僅能夠加速核醫學特定AI應用的孵化——從自動化病灶勾畫到智能輔助診斷系統，再到放射性核素治療方案的優化決策支持；更能從根本上提升核醫學的研究效率與臨床服務水平，最終惠及廣大患者。
隨著算法、算力與核醫學數據的持續積累，由扎實的基礎軟件所支撐的“AI+核醫學”必將走向更深度的融合。它有望實現更早期的疾病發現、更精準的療效評估以及更個性化的治療導航，引領核醫學步入一個智能化、精準化的新時代。馬寄曉核醫學教室在這一關鍵方向的探索，無疑將為我國乃至全球核醫學的發展注入強勁的智慧動能。
