北京大学与温州医科大学的研究团队的突破性研究为人工智能在医学领域的应用带来了新的曙光，他们建立了生成式多模态跨器官医学影像基础模型（MINIM），为医学影像大模型的训练和精准医疗提供了强有力的技术支持。
医学影像大模型是一种利用深度学习和大数据进行训练的AI通用模型，可以自动分析医学影像，辅助诊断和治疗规划。然而，提升大模型性能需要大量数据的不断训练，而获取高质量、多样化的医学影像数据却面临诸多障碍，如患者隐私保护和高昂的数据标注成本。
为此，研究团队探索使用生成式AI技术合成医学影像数据，以此来扩充数据。他们利用多种器官在CT、X光、磁共振等不同成像方式下的高质量影像文本配对数据进行训练，最终生成海量的医学合成影像，其图像特征和细节呈现与真实医学图像高度一致。
实验结果显示，MINIM生成的合成数据在医生主观评测指标和多项客观检验标准方面达国际领先水平，具有重要的临床参考价值。在真实数据基础上，使用20倍合成数据在眼科、胸科、脑科和乳腺科的多个医学任务准确率平均可提升12%至17%。
MINIM产生的合成数据具有广泛的应用前景，可单独作为训练集来构建医学影像大模型，也可与真实数据结合使用，提高模型在实际任务中的性能，推动AI在医学和健康领域更广泛的应用。目前，在疾病诊断、医学报告生成和自监督学习等关键领域，利用MINIM合成数据进行训练已展现出显著的性能提升。
研究人员王劲卓表示："公开的医学影像数据非常有限，我们建立的生成式模型有望解决训练数据不够的问题。"该研究成果已于近期在国际权威期刊《自然·医学》上在线发表。
MINIM的突破性创新为医学人工智能训练迈上了新台阶，为医学研究和临床实践开辟了新的可能性。它可以帮助降低医学影像大模型的训练成本，提高模型的性能，并促进AI在医疗保健领域更广泛的应用。
生成式模型的快速发展正在改变医学人工智能的格局，通过合成高质量的数据，这些模型为研究人员和医疗专业人员提供了更丰富的训练资源。随着技术的进一步成熟，生成式模型有望在医学领域发挥更重要的作用，为更精确的诊断、个性化的治疗和最终改善患者预后做出贡献。
MINIM的成功也凸显了多学科合作和跨领域创新的重要性。计算机科学、医学和工程学的融合推动了这一突破，为人工智能在医学领域的应用带来了新的可能性。今后，继续鼓励研究人员和医疗专业人员之间的合作，将进一步推动医学人工智能的发展，造福患者和医疗保健系统。
原创文章，作者：讯知在线，如若转载，请注明出处：http://m.xzxci.cn/2024/12/20/39645.shtml
