随着医学影像技术的飞速发展，计算机断层扫描（CT）已成为诊断多种疾病的重要手段。与传统的二维影像不同，CT以三维体积数据形式呈现人体结构，使得影像的解读更为复杂，也对放射科医生的诊断过程提出了更高的挑战。眼动追踪作为理解医生阅片习惯和认知过程的有效工具，在CT影像分析领域的应用潜力日益凸显。然而，长期以来，缺乏公开且符合三维特性的眼动追踪数据集，成为制约该领域深度研究的瓶颈。针对这一现状，来自计算机视觉和医学影像交叉领域的研究团队推出了CT-ScanGaze，这是首个面向CT体积扫描路径建模的公开眼动追踪数据集，标志着三维眼动分析迈出了关键一步。CT-ScanGaze数据集汇集了多位资深放射科医生在阅读CT卷宗时的三维视线轨迹，通过独特的高精度三维眼动追踪仪器和数据处理技术，真实还原医学专家在体积数据上的注视点分布和移动路径。
该数据不仅包含眼动的空间坐标，还融合了CT图像的多层信息，使研究者能够深入探讨医生的注意力机制与诊断策略之间的复杂关联。伴随数据集的发布，团队还开发了一款名为CT-Searcher的三维扫描路径预测模型。这是目前为数不多的能够直接处理三维体积数据并预测医生眼动轨迹的深度学习模型。不同于传统基于二维图像的扫描路径模拟，CT-Searcher通过设计专门的三维卷积神经网络结构，实现了对CT全息信息的充分挖掘，提升了扫描路径的预测精度与自然合理性。引人注目的是，CT-Searcher模型采用了创新的预训练策略。鉴于现有的眼动数据大多为二维形式，研究者提出将二维眼动数据转换为类似三维的格式进行预训练，从而有效缓解数据量不足的问题，大幅度提升了模型训练的效率与泛化能力。
这种跨维度的数据迁移学习方法为未来三维医学图像分析的训练范式提供了新思路。CT-ScanGaze不仅为学术界提供了宝贵的研究资源，也为临床计算机辅助诊断（CAD）系统的开发奠定了数据和算法基础。理解医生的视线模式，有助于设计更加智能和人性化的辅助工具，优化影像阅片流程，降低诊断错误率。此外，该数据集的开放共享促进了跨学科合作，推动了放射学、人工智能与认知科学的融合发展。从实际应用角度来看，CT-ScanGaze及其相关基线模型对医疗行业具有深远影响。它们启发了更精准的异常检测算法，更有效的医生培训系统，以及更符合实际诊断流程的自动化辅助技术。
随着模型在临床环境中的不断优化，未来有望实现实时的眼动引导诊断，帮助医生快速锁定病变区域，提升诊断的准确率和效率。此外，三维眼动轨迹的研究也为探索医生在复杂三维空间中信息处理方式提供了独特视角，这对于理解临床决策背后的认知机制意义重大。总结来说，CT-ScanGaze数据集及其基线方法CT-Searcher的问世，标志着医学影像眼动分析领域的重要突破。它不仅填补了三维眼动数据缺失的空白，还推动了基于深度学习的三维扫描路径预测技术的发展。未来，随着更多多模态数据的融合与更高级算法的应用，三维体积扫描路径建模将成为推动智能医疗诊断的关键力量，促进精准医疗与个性化治疗的实现。研究人员和开发者应持续关注这一领域的最新动态，积极探索数据挖掘和模型创新，共同推动医学影像人工智能技术迈向更高水平。
。
