我国科学家建立生成式模型为医学 AI 训练提供技术支持

医学AI新风向！我国科学家研发生成式模型助力医疗领域迈向智能化

智慧科技

　　 12月17日消息，近年来，人工智能（AI）在医疗领域的应用日益广泛，特别是在医学影像分析方面展现出了巨大的潜力。借助AI技术，医生能够更快捷且准确地对疾病进行诊断，并据此制定出更为有效的治疗方案。然而，要使AI系统更加智能和精准，就必须依赖于大量的高质量医学影像数据来进行训练。 在我看来，AI在医学影像分析中的应用不仅极大地提高了诊疗效率，还为患者提供了更为个性化的医疗服务。不过，这也提出了一个重要的挑战：如何确保这些用于训练AI的数据既全面又准确。此外，随着AI技术的发展，未来还需要更多跨学科的合作，包括医学专家、数据科学家以及伦理学家等共同参与，以确保这项技术能够在保障患者隐私的同时，真正造福人类健康事业。

　　 然而，由于患者隐私保护以及高昂的数据标注成本等因素，获取高质量且多样化的医学影像数据常常面临挑战。因此，近年来，研究人员开始尝试利用生成式人工智能技术来合成医学影像数据，以期扩大数据资源。

　　 北京大学与温州医科大学的研究团队联合开发了一种名为MINIM的生成式多模态跨器官医学影像基础模型，该模型能够根据文本指令以及多器官的不同成像方式，生成大量高质量的医学影像数据。这一技术进步不仅为医学影像大模型的训练提供了强有力的支持，还为精准医疗和个性化诊疗开辟了新的路径。 MINIM模型的应用前景令人振奋。它不仅能够显著提高医学影像分析的效率和准确性，还能帮助医生更快速地做出诊断，从而提升患者治疗效果。此外，通过利用生成式的多模态影像数据，MINIM有望促进医疗资源的合理分配，使偏远地区的患者也能享受到高质量的医疗服务。然而，随着技术的不断推进，如何确保数据安全和患者隐私保护也将成为亟待解决的重要课题。这一创新成果标志着中国在医学影像领域取得了重要突破，期待未来能有更多类似的科研进展推动医疗行业的发展。

　　 该研究成果已于12月11日在国际权威期刊《自然·医学》上正式发布（附DOI:10.1038/s41591-024-03359-y）。这一突破性的发现不仅为相关疾病的治疗提供了新的视角，同时也标志着医学研究领域的一大进步。这项研究的重要性在于它揭示了某些长期困扰医学界的难题的新线索，这无疑将对未来的临床实践产生深远的影响。随着更多基于此类研究成果的应用开发，我们有理由相信，在不久的将来，人类能够更好地应对各种健康挑战。

　　 简单来说，MINIM类似于一个“图像生成器”，它利用AI技术，根据文字描述自动生成大量的医学影像数据，涵盖CT、X光、磁共振等多种影像类型，涉及各类器官。

　　 北京大学未来技术学院助理研究员王劲卓表示，“当前公开的医学影像数据资源仍然十分稀缺，我们所构建的生成式模型有望有效应对这一难题，从而提升模型训练的效果。” 在我看来，王劲卓研究员的观点指出了医学影像数据在研究中的重要性以及当前存在的瓶颈。通过开发生成式模型来扩充数据集，不仅能够为研究人员提供更多的训练素材，还有助于推动相关领域技术的进步和发展。这种创新的方法对于提高诊断准确性和推动医疗健康行业的发展具有重要意义。

　　 这些合成的影像数据有多逼真呢？研究团队利用多种器官在 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，其在图像特征、细节呈现等多方面都与真实医学图像高度一致。

　　 实验结果显示，通过MINIM生成的合成数据，在医生的主观评价和客观检测标准上均达到国际领先水平。基于真实数据，添加20倍的合成数据，使得眼科、胸科、脑科和乳腺科等多个医学任务的准确率平均提升了12%至17%。 从这一研究结果来看，MINIM技术的应用无疑为医疗影像诊断领域带来了显著的进步。合成数据不仅能够有效补充现有数据集中的不足，还能提高模型的泛化能力，这对于提高临床诊断的准确性具有重要意义。特别是在资源有限或特定疾病样本稀缺的情况下，合成数据的引入可以大大加速医学研究和临床应用的发展进程。此外，随着技术的进一步优化与应用范围的扩大，我们有理由期待，MINIM生成的合成数据将在未来医疗健康领域发挥更大的作用，推动医疗服务向更加精准和高效的方向发展。

　　 王劲卓提到，MINIM生成的合成数据具有广泛的应用前景。这些数据不仅可以单独用于训练医学影像的大模型，还可以与真实数据结合使用，以提升模型在实际应用中的表现，进而促进AI在医学和健康领域的更广泛应用。

　　 目前，在疾病诊断、医学报告生成和自监督学习等领域，采用MINIM合成数据进行训练已经表现出明显的性能改进。