研究验证 Nano Banana 生成医学影像可用于训练视觉模型

一项回顾性多模态研究评估了 Google 通用图像生成模型 Nano Banana 作为医学影像训练数据来源的效果。在仅用合成图像训练的模型中，肺炎检测 AUROC 达 0.877（n=14863），视网膜脱离达 0.963（n=1149），肾结石达 0.711（n=4122），与真实数据训练的模型相当，但校准和净收益并未稳定更优。 研究还测试了合成数据的其他用途：混合合成与真实数据训练的颈动脉超声模型生成了血管年龄指数，可将 633 名外部受试者按 BMI 和血糖差异分层（均 p<0.01）。为检验捷径学习，向眼底照片中编辑中等程度的镶嵌纹样后，中心性浆液性脉络膜视网膜病变的真类概率从 0.996 降至 0.822。临床医生引导的编辑还将低质量 CT 的可信度评分从 3.10/5 提升到 4.30/5。 作者的结论是合成数据可以补充真实数据在训练、亚组表征和受控编辑测试中的应用，但评估其临床价值需要结合校准、决策曲线分析和医生审查，不能只看判别力指标。