在馬寄曉核醫學教室的講臺上，張永學教授以其深厚的核醫學造詣與前瞻性的視野，為聽眾們勾勒出一幅核醫學與人工智能（AI）深度融合、協同發展的壯麗藍圖。本次講座的核心，不僅在于探討AI技術如何賦能傳統核醫學，更在于深入剖析了支撐這一變革的關鍵基石——人工智能基礎軟件的開發與應用。

核醫學作為一門利用放射性核素進行疾病診斷、治療和研究的學科，其發展始終與技術進步緊密相連。從早期的伽馬相機到如今的正電子發射斷層掃描（PET）與單光子發射計算機斷層掃描（SPECT），影像數據的復雜性與海量性日益增長，這恰恰為人工智能的介入提供了天然的舞臺。張永學教授指出，人工智能，特別是其分支如機器學習與深度學習，正逐步滲透到核醫學的各個環節。

在影像診斷領域，AI算法的引入帶來了革命性的變化。傳統的影像判讀高度依賴醫師的經驗，存在主觀差異與疲勞影響。而基于深度學習開發的智能軟件，能夠對PET/CT、SPECT等海量影像數據進行快速、精準的自動化分析。例如，在腫瘤病灶的檢測、勾畫（分割）與定量分析方面，AI模型可以以極高的敏感性與特異性識別微小病灶，輔助醫生做出更早期、更準確的診斷。在心肌灌注顯像、神經系統疾病評估等方面，AI也能提供標準化、可重復的定量參數，極大提升了診斷的一致性與效率。

這一切智能應用的背后，都離不開堅實的人工智能基礎軟件作為支撐。張永學教授重點強調了這一基礎層的重要性。人工智能基礎軟件開發，涵蓋了從算法框架、模型訓練平臺、數據預處理工具到部署集成環境等一系列核心組件。在核醫學的特定場景下，這類基礎軟件需要解決幾個關鍵挑戰：

是專業數據的獲取與標注。高質量、大規模的標注影像是訓練可靠AI模型的前提。核醫學影像的標注需要深厚的專業知識，開發能夠輔助專家進行高效、精準標注的軟件工具，是基礎軟件開發的重要一環。

是算法模型的適配與優化。通用AI模型往往難以直接滿足核醫學影像在分辨率、對比度、噪聲特性等方面的特殊要求。因此，需要開發或集成專門的神經網絡架構，設計針對性的訓練策略（如遷移學習），并優化模型以適應臨床硬件環境下的實時或近實時處理需求。

再次，是軟件系統的集成與部署。成熟的AI基礎軟件平臺需要能夠無縫嵌入現有的核醫學影像歸檔與通信系統（PACS）及工作站流程中，實現“一鍵式”智能分析，同時確保系統的穩定性、安全性與合規性（如符合醫療器械軟件標準）。

張永學教授認為，核醫學與人工智能的結合將超越輔助診斷，向更智能化的治療規劃、療效預測與預后評估拓展。例如，在放射性核素靶向治療中，AI可以綜合多模態影像與基因組學數據，為患者制定個性化的給藥方案與劑量規劃。而這一切的深化，必然呼喚更加強大、靈活、易用且開源協同的人工智能基礎軟件生態的構建。

講座張永學教授鼓勵核醫學同仁與AI領域的專家加強跨界合作，共同參與到基礎軟件的開發與創新中，以扎實的“軟件基石”支撐起核醫學智能化發展的“應用大廈”，最終惠及廣大患者，推動精準醫療時代的全面到來。