商傳媒｜責任編輯／綜合外電報導
面對大量缺乏精細標註的公開醫學影像資料集，一項最新研究提出實用框架，旨在比較人工智慧（AI）解剖分割模型在無真實標籤情況下的性能。這項研究已發表於《Journal of Medical Imaging》，為醫學影像AI領域專家提供了新的評估思路。
現行大多數公開醫學影像資料集，例如用於癌症研究的國家肺部篩檢試驗（National Lung Screening Trial, NLST），雖包含數千筆掃描影像，但通常缺乏器官或骨骼的詳細標籤，使得基於準確度的傳統AI模型評估方法難以實施。為此，研究團隊採用「基於一致性而非準確性」的評估方式，透過分析不同模型在相同影像上的分割結果，找出其匯聚與分歧之處，藉此判斷結果的可靠性。
研究選取了六種廣泛使用的開源分割模型，包含兩版 TotalSegmentator、Auto3DSeg、MOOSE、MultiTalent 和 CADS。團隊將這些模型的輸出結果統一轉換為標準的 DICOM 分割格式，並利用通用醫學術語 SNOMED-CV 協調標籤，確保不同模型對於相同結構具有一致的顏色和識別符號。為利於視覺化檢閱，研究人員也擴展了兩款開源工具，將結果整合至網頁版的 OHIF Viewer 及桌面版的 3D Slicer 軟體中，讓使用者能方便地並排比較多模型針對同一器官的分割成果。
研究分析了來自四名 NLST 參與者的 18 張胸部電腦斷層掃描（CT）影像，重點關注 24 個解剖結構，包括肺葉、心臟、肋骨和胸椎等。結果顯示，肺部分割的一致性最高，邊界差異微小，表明這項任務在低劑量篩檢CT影像中已趨於成熟。心臟分割最初僅呈現中度一致性，但在排除一個定義範圍較窄的模型後，其餘工具的一致性顯著提升。然而，針對肋骨和胸椎的分割則出現較嚴重問題，六個模型中有四個頻繁出錯，例如將鄰近骨骼合併或標記錯誤的椎骨。研究發現，其中兩個經由不同資料訓練的模型，在這些複雜結構上表現出更高的一致性與解剖完整性。
這項研究強調，即使是備受推崇的AI工具，也可能因共享訓練資料而出現系統性錯誤。同時，它證明即使缺乏真實標籤，仍可透過標準化、量化一致性測量和針對性視覺檢閱相結合的方式，進行有意義的模型評估。所有相關軟體、映射資料和範例資料集均已開源。隨著研究人員日益依賴AI生成的標註來分析大規模資料集，此類工具將有助於在缺乏完美參考答案的情況下，做出基於證據的明智決策。
圖／本報AI製圖（示意圖） 商傳媒｜責任編輯／綜合外電報導 面對大量缺乏精細標註的公開醫學影像資料集，一項最新研究提出實用框架，旨在比較人工智慧（AI）解剖分割模型在無真實標籤情況下的性能。這項研究已發表於《Journal of Medical Imaging》，為醫學影像AI領域專家提供了新的評估思路。 現行大多數公開醫學影像資料集，例如用於癌症研究的國家肺部篩檢試驗（National Lung Screening Trial, NLST），雖包含數千筆掃描影像，但通常缺乏器官或骨骼的詳細標籤，使得基於準確度的傳統AI模型評估方法難以實施。為此，研究團隊採用「基於一致性而非準確性」的評估方式，透過分析不同模型在相同影像上的分割結果，找出其匯聚與分歧之處，藉此判斷結果的可靠性。 研究選取了六種廣泛使用的開源分割模型，包含兩版 TotalSegmentator、Auto3DSeg、MOOSE、MultiTalent 和 CADS。團隊將這些模型的輸出結果統一轉換為標準的 DICOM 分割格式，並利用通用醫學術語 SNOMED-CV 協調標籤，確保不同模型對於相同結構具有一致的顏色和識別符號。為利於視覺化檢閱，研究人員也擴展了兩款開源工具，將結果整合至網頁版的 OHIF Viewer 及桌面版的 3D Slicer 軟體中，讓使用者能方便地並排比較多模型針對同一器官的分割成果。 研究分析了來自四名 NLST 參與者的 18 張胸部電腦斷層掃描（CT）影像，重點關注 24 個解剖結構，包括肺葉、心臟、肋骨和胸椎等。結果顯示，肺部分割的一致性最高，邊界差異微小，表明這項任務在低劑量篩檢CT影像中已趨於成熟。心臟分割最初僅呈現中度一致性，但在排除一個定義範圍較窄的模型後，其餘工具的一致性顯著提升。然而，針對肋骨和胸椎的分割則出現較嚴重問題，六個模型中有四個頻繁出錯，例如將鄰近骨骼合併或標記錯誤的椎骨。研究發現，其中兩個經由不同資料訓練的模型，在這些複雜結構上表現出更高的一致性與解剖完整性。 這項研究強調，即使是備受推崇的AI工具，也可能因共享訓練資料而出現系統性錯誤。同時，它證明即使缺乏真實標籤，仍可透過標準化、量化一致性測量和針對性視覺檢閱相結合的方式，進行有意義的模型評估。所有相關軟體、映射資料和範例資料集均已開源。隨著研究人員日益依賴AI生成的標註來分析大規模資料集，此類工具將有助於在缺乏完美參考答案的情況下，做出基於證據的明智決策。
商傳媒｜責任編輯／綜合外電報導 為加速美國長時儲能（LDES）技術的規模化部署，Eos Energy Enterprises, Inc.（Eos Energy）已宣布與私人股權投資公司博龍資產管理（Cerberus Capital Management）合作，共同成立名為 Frontier Power USA 的開發公司。 根據《Solar Builder Magazine》報導，這家新公司將整合 Eos Energy 的垂直整合儲能技術堆疊、博龍資產管理的資本，以及 Ariel R Green（Ariel Green）提供的履約擔保，目標在美國推動長時儲能解決方案。雙方已簽署一項 2 GWh 的產能預留協議。 Frontier Power USA 將鎖定人工智慧（AI）資料中心和公用事業規模太陽能專案等關鍵應用，部署其長時儲能系統。Eos Energy 執行長 Joe Mastrangelo 指出，Frontier Power USA 將改變長時儲能專案的融資與部署速度，讓客戶能更快獲得資金與專業開發知識。他表示，這將為 Eos Energy 帶來新的成長軌跡，並進一步擴大製造產能。該平台將 Eos 的整合技術與機構資本及可貸放的履約框架結合，旨在向電網供應電力。 博龍資產管理董事總經理 Aaron Maczonis 表示，他相信 Frontier Power USA 將為電網帶來急需的速度與擴展能力，尤其是在能源安全需求以及電氣化和 AI 帶動的電力需求持續成長之際。他認為，這種模式透過將執行與部署平台與 Eos 獨特的長時儲能技術及其擴展中的美國製造基地配對，為大規模交付儲能容量創造了一條可靠途徑。 Ariel R Green 的能源儲存業務主管 Jamie Daggert 則表示，隨著能源儲存專案的規模擴大，彌合技術創新與相關責任之間的差距至關重要。他認為，透過 Frontier Power USA 的這項交易，Ariel R Green 展現了其在支持專案可融資性及在美國重複性平台成長方面的作用。Eos Energy 的長時儲能系統旨在提升美國電網的營運彈性。
【記者王志成／台北報導】明日適逢全國兒童安全日，時代力量黨主席王婉諭（十四）日率領多名跨黨派參選人召開記者會，質疑政府近年雖斥資 664 億元推動人本交通與道安預算，但 4 年來兒童交通傷亡人數卻不減反升，增幅高達 34%。王婉諭呼籲政府應將「騎自行車的孩子」納入政策核心，並明確訂定「2030 年兒童交通零死亡、傷亡減半」之具體指標。 王婉諭與台灣基進、小民參政歐巴桑聯盟、台灣綠黨等代表於立法院前共同發聲。她指出，中央為洗刷「行人地獄」惡名，編列龐大預算，其中 4 年 400 億元的「永續提升人行安全計畫」雖已執行過半，但兒童死傷數據卻呈現驚人成長，顯見現行政策出現結構性落差。 根據時代力量提供的數據顯示，全國 0 至 12 歲兒童交通事故死傷人數，已從 2022 年的 9,307 人攀升至 2025 年的 1 萬 2,507 人，短短 4 年增加超過 3,200 人。其中，兒童自行車事故死傷更是從 4 年前的 726 人翻倍至去年的 1,620 人。王婉諭痛批，這顯示政府在推動人本交通時，嚴重忽略了自行車族群學童的安全需求。 王婉諭強調，兒童死傷人數的高標不應只是數據，更是無數家庭的破碎。她要求交通部必須將自行車安全設施納入 664 億元的預算用途，同時應建立督導機制，依各縣市兒童死傷率進行評比，要求高風險縣市提出更積極的改善計畫。 參與記者會的各黨代表也共同呼籲，政府應參考國際經驗，正式承諾「2030 兒童交通零死亡」願景。他們認為，只有將兒童交通安全從「口號」轉化為「KPI（關鍵績效指標）」，並落實於道路工程設計與預算分配，台灣的孩子才能在安心的環境中成長。
