发布时间：2024-04-02 15:09:05 栏目：精选百科
基础模型是在大规模数据集上训练的先进人工智能系统，有可能为医学领域带来前所未有的进步。在计算病理学 (CPath) 中，这些模型可能在诊断准确性、预后洞察和预测治疗反应方面表现出色。麻省总医院的研究人员设计了迄今为止最大的两个 CPath 基础模型：UNI 和 CONCH。这些基础模型适用于 30 多种临床诊断需求，包括疾病检测、疾病诊断、器官移植评估和罕见疾病分析。新模型克服了当前模型的局限性，不仅在研究人员测试的临床任务中表现良好，而且在识别新的、罕见的和具有挑战性的疾病方面也显示出了前景。关于UNI和CONCH的论文今天发表在《自然医学》杂志上。
UNI 是理解病理学图像的基础模型，从识别组织学感兴趣区域中的疾病到十亿像素全幻灯片成像。它使用包含超过 1 亿个组织斑块和超过 100,000 张完整幻灯片图像的数据库进行训练，在解剖病理学中具有通用的人工智能应用。值得注意的是，UNI 采用迁移学习，将以前获得的知识以极高的准确性应用于新任务。在包括癌症分类和器官移植评估在内的 34 项任务中，UNI 的表现优于现有的病理模型，凸显了其作为 CPath 工具的多功能性和潜在应用。
CONCH 是理解病理图像和语言的基础模型。 CONCH 经过超过 117 万个组织病理学图像文本对的数据库的训练，在识别罕见疾病、肿瘤分割和理解十亿像素图像等任务方面表现出色。由于 CONCH 接受了文本训练，病理学家可以与模型交互以搜索感兴趣的形态。在针对 14 项临床相关任务的综合评估中，CONCH 的表现优于标准模型，并证明了其有效性和多功能性。
研究团队正在向其他学术团体公开该代码，以用于解决临床相关问题。
“基础模型代表了医学人工智能的新范式，”麻省总医院病理学系计算病理学部门的通讯作者 Faisal Mahmood 博士说。 “这些模型是人工智能系统，可以适应许多下游、临床相关的任务。我们希望这些研究中提出的概念验证将为此类自监督模型在更大、更多样化的数据集上进行训练奠定基础。”
免责声明：本文由用户上传，如有侵权请联系删除！
