宾夕法尼亚大学（University of Pennsylvania）工程师开发了一种名为"FireANTs"的开源算法，将人工智能的速度与几何学的精确性相结合，能够快速、准确地比对复杂医学影像，帮助检测随时间推移可能预示疾病的细微变化。在某些情况下，该算法可在数分钟内完成此前技术需要整整一周才能完成的工作。相关成果已发表于《Nature Communications》期刊。
针对影像配准的核心难题
FireANTs所解决的是医学影像领域一个普遍存在的技术难题——密集对应匹配（dense correspondence matching），即在数据量庞大的影像组之间，如同一患者的多组MRI或CT扫描中，识别对应区域并量化其变化的过程。
在放射科临床实践中，大量读片工作涉及对随访影像的比对。影像配准（image registration）技术可自动定位两次扫描之间的差异，但若处理速度过慢，便难以融入日常临床工作流程。研究共同通讯作者、宾大放射科学教授James C. Gee表示："速度对于将这项技术真正应用于患者诊疗至关重要。"
即便是脑组织体积的细微缩小，也可能具有重要临床意义。异常加速的萎缩，例如，可能是认知衰退的早期信号。
从ANTs到FireANTs的技术跃升
十余年前，Gee实验室主导开发了ANTs（Advanced Normalization Tools），这是一套广泛应用于医学影像分析的开源软件工具包。然而，ANTs诞生于近年深度学习浪潮兴起之前，难以应对如今体量庞大的影像数据集。
研究共同通讯作者、电气与系统工程助理教授Pratik Chaudhari解释了FireANTs与常规AI方法的本质区别："通常，AI系统基于训练数据进行预测。FireANTs则借鉴了现代AI的优化技术，但以数学方式求解匹配问题，通过计算确定两幅影像之间的真实对应关系，而非过度依赖基于历史样本的推断。"
研究第一作者、博士生Rohit Jena在使用ANTs时意识到，仅将软件迁移至图形处理器（GPU）上运行远远不够，必须从根本上重新审视算法背后的几何学原理。
"弯曲空间"中的几何创新
训练一个典型的AI模型，如同在平坦地面上骑行——优化过程在欧几里得空间（Euclidean space）中进行，方向始终稳定。而比对两幅密集影像，则更像翻山越岭：问题需要更新一种存在于弯曲空间中的数学对象——微分同胚（diffeomorphism），每走一步都必须重新调整方向，计算代价极为昂贵。
Jena的突破在于提出了一种反向思路：与其让算法不断适应地形的起伏，不如让地形本身主动配合算法。FireANTs相当于让骑行者原地不动，由周围的世界自行调整角度，从而把弯曲空间中的旅程变成一条平坦的直路。"从数学角度而言，算法以少得多的计算量抵达了同一个终点。"Jena说。
速度与精度的双重突破
在超过15000对影像、涵盖十余个数据集、多个器官系统、不同成像模态及多个物种的系统测试中，FireANTs展现出强大的泛化能力，精度未见损失。
与前代工具ANTs相比，FireANTs速度提升了数百至数千倍；与部署在标准芯片上的当前最优优化工具包相比，速度提升约2至7倍；在GPU上运行时，差距可达三个数量级（up to three orders of magnitude）。
Gee表示，能够实时完成影像变化检测等高级医学影像分析，对患者和医生而言将是颠覆性的进步。"要让AI真正在临床上发挥作用，门槛极高——医学影像软件必须同时做到快速与准确。"
应用前景延伸至医学之外
研究人员指出，FireANTs的潜在影响并不局限于医学影像领域，还可延伸至地理空间测绘、机器人等多个方向。由于该算法大幅降低了计算成本，规模较小的实验室也有望独立完成此前只有大型研究联合体才能承担的分析工作。
Chaudhari说："FireANTs不只是一个更快的工具，它让先进的影像匹配同时具备高性能与高可靠性，使研究人员和临床医生能够在前所未有的规模和速度下开展工作，从而开启全新的工作流程与应用场景。"
参考文献：FireANTs: Adaptive Riemannian Optimization for Multi-Scale Diffeomorphic Matching, Nature Communications (2026). DOI: 10.1038/s41467-026-72508-3
编辑：周敏
排版：李丽
评论 (0)