弗吉尼亚大学电气工程专业博士生古哈近期在医学影像增强领域取得突破性进展。她构建了一种融合物理建模与扩散模型的新型生成式人工智能框架，可有效消除超声及内镜成像中的斑点噪声与模糊缺陷，显著提升临床诊断清晰度。相较于传统算法高度依赖海量患者数据，该方法通过引入数学工具精准调控参数，并深度融合成像设备的底层物理特性，实现小样本条件下的高精度图像重建。该技术通过逆向扩散噪声还原清晰细节，生成可供医师对照分析的增强影像，有助于准确识别胎儿发育异常、肝病及心脏病变。其导师阿克顿教授指出，该研究成功弥合了深度学习与成像物理之间的理论鸿沟，所构建的统一框架可拓展至声呐、雷达及激光成像系统。此外，生成的优质影像还能反哺下一代医疗人工智能模型，辅助肿瘤分类与体积测量等关键任务。该项目自二零二一年秋季启动并于今年春季完成答辩，标志着生成式人工智能在医疗影像诊断中正加速迈向临床实用化。古哈目前已着手准备博士后研究，将持续推动算法创新与医疗健康的深度融合。