我國科學家構建生成式醫學影像基石模型，賦能AI訓練技術革新

2024年12月31日 17:13:36來源：化工儀器網點擊：1711

　　近期，北京大學攜手溫州醫科大學的研究團隊在《自然·醫學》這一國際頂級期刊上發布了一項突破性研究成果：他們成功研發了一款名為MINIM的生成式多模態跨器官醫學影像基石模型。該模型憑借文本指令與多種器官在不同成像技術(如CT、X光及磁共振)下的高質量影像文本配對數據，能夠高效生成大規模的醫學影像數據，為醫學影像大模型的訓練、精準醫療實踐及個性化治療方案設計提供了堅實的技術支撐。

　　醫學影像在疾病的診斷與治療流程中占據核心地位。然而，受限于患者隱私、數據標注成本高昂等因素，獲取高質量且多樣化的醫學影像數據始終是一大挑戰。這一難題不僅限制了醫學影像大模型的訓練成效，也阻礙了AI在醫學領域的廣泛應用。為此，研究者們開始探索利用生成式AI技術合成醫學影像數據，以此豐富數據集。

　　MINIM模型的誕生正是對這一挑戰的積極響應，研究團隊通過整合多種器官在多種成像方式下的高質量影像與文本信息，進行深度訓練，最終成功生成了大量逼真的醫學合成影像。這些合成影像在圖像特征、細節表現等方面均與真實醫學影像高度相似，不僅在醫生的主觀評估中表現出眾，還在多個客觀檢測標準上達到了國際前沿水平。

　　實驗數據表明，在真實數據的基礎上，引入20倍量的合成數據，在眼科、胸科、腦科及乳腺科等多個醫學領域的應用中，模型的準確率平均提升了12%至17%。這一顯著的性能飛躍，充分彰顯了MINIM模型在醫學AI訓練領域的巨大價值。

　　MINIM所生成的合成數據具有廣闊的應用空間。它既可以作為獨立的訓練集來構建醫學影像大模型，也可以與真實數據相結合，進一步提升模型在實際應用中的表現。這意味著，利用MINIM合成的數據進行訓練，將推動AI在醫學與健康領域的廣泛應用，為疾病診斷、醫學報告自動化生成及自監督學習等關鍵環節帶來顯著提升。

　　生成式模型是一種能夠學習數據分布并創造新數據的人工智能模型。它通過大量已有數據的學習，捕捉數據的特征與模式，進而生成與原始數據相似但獨特的新數據。在醫學領域，生成式模型能夠基于少量真實醫學圖像，生成大量逼真的合成圖像。這些合成圖像不僅有助于擴大醫學圖像數據集，提升醫學AI模型的訓練質量，還可用于罕見病的診斷與研究。

　　此外，生成式模型還能通過隨機變換現有數據(如旋轉、翻轉、縮放等)生成更多訓練數據，增強模型的泛化能力，使其在面對多樣化的患者數據時能夠更準確地做出診斷和預測。同時，生成式模型還能整合患者的病歷、癥狀表現及醫學圖像等多模態信息，生成疾病的預測與診斷結果，為醫生提供個性化的治療建議。

　　展望未來，生成式模型與其他人工智能技術的結合有望為醫學領域帶來更多創新與突破。例如，結合深度學習與強化學習技術，生成式模型可實現更智能的疾病預測與診斷；結合虛擬現實與增強現實技術，生成式模型可為醫生提供更直觀的診斷與治療輔助工具。這些技術的深度融合與應用，將加速醫學領域的進步，為患者提供更加精準、個性化的醫療服務。

關注本網官方微信隨時閱讀專業資訊

版權與免責聲明

凡本網注明“來源：化工儀器網”的所有作品，均為浙江興旺寶明通網絡有限公司-化工儀器網合法擁有版權或有權使用的作品，未經本網授權不得轉載、摘編或利用其它方式使用上述作品。已經本網授權使用作品的，應在授權范圍內使用，并注明“來源：化工儀器網”。違反上述聲明者，本網將追究其相關法律責任。
本網轉載并注明自其它來源（非化工儀器網）的作品，目的在于傳遞更多信息，并不代表本網贊同其觀點或和對其真實性負責，不承擔此類作品侵權行為的直接責任及連帶責任。其他媒體、網站或個人從本網轉載時，必須保留本網注明的作品第一來源，并自負版權等法律責任。
如涉及作品內容、版權等問題，請在作品發表之日起一周內與本網聯系，否則視為放棄相關權利。