Nature Medicine:瞿佳/张康/王劲卓团队开发全球首个通用大型生成式AI医学影像模型,帮助提高癌症患者生存率

在许多临床和研究环境中,缺乏高质量的医学成像数据集阻碍了人工智能(AI)临床应用的潜力。这一问题在不太常见的情况、代表性不足的人群和新兴的成像方式中尤为突出,在这些情况下,各种综合数据集的可用性往往不足。

2024年12月11日,温州医科大学瞿佳张康、北京大学未来技术学院王劲卓等人在国际顶尖医学期刊 Nature Medicine 上发表了题为:Self-improving generative foundation model for synthetic medical image generation and clinical applications 的研究论文。

研究团队开发了一种统一的医学图像-文本生成模型——MINIM。MINIM模型集成了医学图像与文本描述,涵盖了多种模式和器官,包括光学相干断层扫描(OCT)、眼底、胸部X光和胸部计算机断层扫描(CT)等,能够基于文本指令在不同的成像模式下合成不同器官的医学图像,具有作为通用医学人工智能(generalist medical AI,GMAI)的潜力。

大型医疗数据集的可用性对于推动人工智能(AI)模型开发和临床应用至关重要。然而,隐私问题带来了重要的道德和法律问题,使得共享此类数据变得困难。由于缺乏高质量的影像数据集,阻碍了前沿AI技术与医学及医疗应用的整合。

为了解决这一挑战,数据增扩(Data Augmentation)和使用生成式人工智能(Generative AI)的合成图像已成为关键解决方案。生成式AI在医学影像学研究中取得了重大突破,增强了对病历和图像的分析,改善了诊疗计划。

生成式对抗网络(GAN)已被广泛用于生成合成医学图像,在提高AI模型的数据可用性方面取得了显著进展。此外,建立在GAN基础上的新管线还纳入了分割技术,以进一步减少所需的训练数据集数量,特别适用于数据稀缺场景(例如罕见病)。这些研究表明,在单一的医学成像模式中,生成式AI可以生成高质量的合成图像,这些图像可作为支持医学成像研究的宝贵资产。

然而,传统的基于GAN的图像生成难以生成不同维度的图像,因此,往往限于单一成像模式。对单一模式的有限探索和对不同医学影像模式之间关系的缺乏研究,进一步阻碍了广泛的多模态医学影像数据集的充分利用和通用医学生成式模型的发展。

为了解决上述问题,研究团队开发了一种统一的医学图像-文本生成模型——MINIM。MINIM集成了医学图像与文本描述,涵盖了多种模式和器官,包括光学相干断层扫描(OCT)、眼底、胸部X光和胸部计算机断层扫描(CT)等。

MINIM模型能够基于文本指令在不同的成像模式下合成不同器官的医学图像。研究团队评估了MINIM基于文本输入生成合成图像的性能,并在不同的医学影像场景中与其他最新生成模型进行了性能测试。临床医师的评估和严格的客观测量验证了MINIM模型生成的合成图像的高质量。

研究团队还通过纳入额外的脑部和乳腺磁共振成像(MRI)数据集,探索了MINIM模型的适应性,从而评估MINIM模型在持续学习和整合新医学知识方面的潜力。

MINIM在数据域上表现出更强的生成能力,显示出其作为通用医学人工智能(generalist medical AI,GMAI)的潜力。

研究结果表明,MINIM模型生成的合成图像有效地增强了现有的数据集,提高了诊断、报告生成和自我监督学习等多种医疗应用的性能。平均而言,MINIM模型能提高12%的眼科、15%的胸部、13%的大脑和17%的乳房相关任务的表现。此外,该研究还证明了MINIM模型在从磁共振成像(MRI)图像中准确预测HER2阳性乳腺癌方面的潜在临床应用。通过大型回顾性模拟分析,研究团队证明了MINIM模型的临床潜力,该模型通过肺癌CT图像准确识别了靶向治疗敏感的EGFR突变,这可能提高患者的5年生存率。

总的来说,该研究开发了在真实数据和合成数据上训练的生成式AI模型,显示出更好的预测能力,在罕见病诊断、报告生成和自我监督学习的背景下非常有益。在临床中证明了MINIM模型可以显著提高乳腺HER2突变的检测。此外,在临床研究中,将MINIM模型应用于EGFR突变癌症的靶向治疗,在两个独立的队列中证实了能够提高患者的5年生存率。

如何学习大模型 AI ?

由于新岗位的生产效率,要优于被取代岗位的生产效率,所以实际上整个社会的生产效率是提升的。

但是具体到个人,只能说是:

“最先掌握AI的人,将会比较晚掌握AI的人有竞争优势”。

这句话,放在计算机、互联网、移动互联网的开局时期,都是一样的道理。

我在一线互联网企业工作十余年里,指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家,也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑,所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限,很多互联网行业朋友无法获得正确的资料得到学习提升,故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

在这里插入图片描述

第一阶段(10天):初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识,对大模型 AI 的理解超过 95% 的人,可以在相关讨论时发表高级、不跟风、又接地气的见解,别人只会和 AI 聊天,而你能调教 AI,并能用代码将大模型和业务衔接。

  • 大模型 AI 能干什么?
  • 大模型是怎样获得「智能」的?
  • 用好 AI 的核心心法
  • 大模型应用业务架构
  • 大模型应用技术架构
  • 代码示例:向 GPT-3.5 灌入新知识
  • 提示工程的意义和核心思想
  • Prompt 典型构成
  • 指令调优方法论
  • 思维链和思维树
  • Prompt 攻击和防范

第二阶段(30天):高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习,学会构造私有知识库,扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架,抓住最新的技术进展,适合 Python 和 JavaScript 程序员。

  • 为什么要做 RAG
  • 搭建一个简单的 ChatPDF
  • 检索的基础概念
  • 什么是向量表示(Embeddings)
  • 向量数据库与向量检索
  • 基于向量检索的 RAG
  • 搭建 RAG 系统的扩展知识
  • 混合检索与 RAG-Fusion 简介
  • 向量模型本地部署

第三阶段(30天):模型训练

恭喜你,如果学到这里,你基本可以找到一份大模型 AI相关的工作,自己也能训练 GPT 了!通过微调,训练自己的垂直大模型,能独立训练开源多模态大模型,掌握更多技术方案。

到此为止,大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗?

  • 为什么要做 RAG
  • 什么是模型
  • 什么是模型训练
  • 求解器 & 损失函数简介
  • 小实验2:手写一个简单的神经网络并训练它
  • 什么是训练/预训练/微调/轻量化微调
  • Transformer结构简介
  • 轻量化微调
  • 实验数据集的构建

第四阶段(20天):商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知,可以在云端和本地等多种环境下部署大模型,找到适合自己的项目/创业方向,做一名被 AI 武装的产品经理。

  • 硬件选型
  • 带你了解全球大模型
  • 使用国产大模型服务
  • 搭建 OpenAI 代理
  • 热身:基于阿里云 PAI 部署 Stable Diffusion
  • 在本地计算机运行大模型
  • 大模型的私有化部署
  • 基于 vLLM 部署大模型
  • 案例:如何优雅地在阿里云私有部署开源大模型
  • 部署一套开源 LLM 项目
  • 内容安全
  • 互联网信息服务算法备案

学习是一个过程,只要学习就会有挑战。天道酬勤,你越努力,就会成为越优秀的自己。

如果你能在15天内完成所有的任务,那你堪称天才。然而,如果你能完成 60-70% 的内容,你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN,朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费

在这里插入图片描述

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值