▎藥明康德內(nèi)容團(tuán)隊(duì)編輯

日前，《自然-醫(yī)學(xué)》（Nature Medicine）期刊發(fā)表了一項(xiàng)人工智能（AI）應(yīng)用于醫(yī)學(xué)影像領(lǐng)域的新研究。來(lái)自溫州醫(yī)科大學(xué)眼視光醫(yī)院、北京大學(xué)、澳門科技大學(xué)等機(jī)構(gòu)的科研人員合作，在生成式醫(yī)學(xué)影像模型取得重大突破，研發(fā)出了世界首個(gè)通用大型生成式醫(yī)學(xué)影像模型（MINIM）。這款生成式AI能夠根據(jù)文本指令，為各種器官生成海量合成影像數(shù)據(jù)，為醫(yī)學(xué)影像領(lǐng)域的大模型訓(xùn)練注入“新燃料”。

論文介紹，AI模型開(kāi)發(fā)和臨床應(yīng)用依賴于高質(zhì)量的大型醫(yī)學(xué)影像數(shù)據(jù)集，然而考慮到保護(hù)患者隱私等因素，這類數(shù)據(jù)很難共享。因此，高質(zhì)量醫(yī)學(xué)影像數(shù)據(jù)集的稀缺目前成為了推動(dòng)AI在醫(yī)學(xué)中的應(yīng)用的一大阻礙，這在不太常見(jiàn)的疾病、代表性不足的人群和新興的影像方式中尤為明顯。

在這項(xiàng)工作中，科學(xué)家們通過(guò)少量高質(zhì)量的醫(yī)學(xué)影像與報(bào)告配對(duì)數(shù)據(jù)訓(xùn)練模型，實(shí)現(xiàn)了跨器官、多模態(tài)的海量高質(zhì)量醫(yī)學(xué)影像及報(bào)告的生成。MINIM不僅有效解決了患者隱私保護(hù)問(wèn)題，還克服了高昂的數(shù)據(jù)標(biāo)注成本等醫(yī)學(xué)大模型訓(xùn)練中的關(guān)鍵瓶頸。

▲生成式醫(yī)學(xué)影像模型的開(kāi)發(fā)過(guò)程示意圖（圖片來(lái)源：參考資料[1]）

研究結(jié)果顯示，MINIM生成的合成數(shù)據(jù)在醫(yī)生主觀評(píng)測(cè)和多項(xiàng)客觀檢驗(yàn)指標(biāo)上有著出色表現(xiàn)，在臨床應(yīng)用中展現(xiàn)了重要的參考價(jià)值。

特別值得一提的是，研究團(tuán)隊(duì)通過(guò)強(qiáng)化學(xué)習(xí)技術(shù)為MINIM引入了自我優(yōu)化機(jī)制，模型能夠根據(jù)醫(yī)生評(píng)分不斷提升生成能力。論文共同通訊作者、溫州醫(yī)科大學(xué)張康教授指出，這一遞歸優(yōu)化路徑為醫(yī)學(xué)影像數(shù)據(jù)的合成與應(yīng)用開(kāi)辟了新方向。

在面對(duì)以前從未見(jiàn)過(guò)的數(shù)據(jù)域時(shí)，MINIM表現(xiàn)出卓越的泛化能力，能夠擴(kuò)展至其他器官和成像模態(tài)的數(shù)據(jù)生成領(lǐng)域。例如，對(duì)于未參與模型訓(xùn)練的腦部磁共振（MRI）數(shù)據(jù)，通過(guò)在MINIM上微調(diào)，顯著提升了這類數(shù)據(jù)的生成性能。共同通訊作者、北京大學(xué)未來(lái)技術(shù)學(xué)院助理研究員王勁卓對(duì)此指出，作為生成式醫(yī)學(xué)影像的基礎(chǔ)模型，MINIM代表了通用醫(yī)學(xué)人工智能（GMAI）領(lǐng)域的一項(xiàng)重要進(jìn)展。

▲MINIM生成的合成數(shù)據(jù)展現(xiàn)廣泛的應(yīng)用前景（圖片來(lái)源：參考資料[1]）

在論文中，研究人員進(jìn)一步展示了MINIM生成的合成數(shù)據(jù)的多種下游應(yīng)用場(chǎng)景。這些數(shù)據(jù)既可以單獨(dú)作為訓(xùn)練集用于構(gòu)建醫(yī)學(xué)影像大模型，也可以與真實(shí)數(shù)據(jù)結(jié)合，顯著提高模型在實(shí)際任務(wù)中的性能。在疾病診斷、醫(yī)學(xué)報(bào)告生成及自監(jiān)督學(xué)習(xí)等關(guān)鍵領(lǐng)域，使用MINIM生成的合成數(shù)據(jù)訓(xùn)練模型，獲得了顯著的性能提升。

而在臨床應(yīng)用上，MINIM也顯示出了潛在價(jià)值。例如，在肺部CT影像中準(zhǔn)確識(shí)別對(duì)靶向療法敏感的EGFR突變，有助于提高患者5年生存率。在亞型眾多的乳腺癌中，MINIM的合成圖像可用于提高分類的準(zhǔn)確率，從乳腺M(fèi)RI影像中更準(zhǔn)確地預(yù)測(cè)HER2突變陽(yáng)性乳腺癌。

共同通訊作者、溫州醫(yī)科大學(xué)瞿佳教授總結(jié)說(shuō)：“這項(xiàng)研究構(gòu)建了一個(gè)跨器官、多模態(tài)的生成式醫(yī)學(xué)影像模型，為緩解傳統(tǒng)醫(yī)療數(shù)據(jù)獲取與標(biāo)注的困境提供了創(chuàng)新方案，也為醫(yī)學(xué)影像大模型的開(kāi)發(fā)、精準(zhǔn)醫(yī)療的推進(jìn)及個(gè)體化治療的探索提供了強(qiáng)有力的技術(shù)支撐。”

近年來(lái)，張康教授團(tuán)隊(duì)在醫(yī)學(xué)人工智能領(lǐng)域持續(xù)推動(dòng)醫(yī)學(xué)影像與人工智能的深度融合，他表示：“本次研究是我們團(tuán)隊(duì)探索生成式AI在醫(yī)學(xué)影像領(lǐng)域應(yīng)用的一項(xiàng)重要嘗試，未來(lái)我們將繼續(xù)探索，為實(shí)現(xiàn)醫(yī)學(xué)人工智能的全面突破和廣泛應(yīng)用貢獻(xiàn)力量?！?/p>

參考資料：

[1] Jinzhuo Wang et al., Self-improving generative foundation model for synthetic medical image generation and clinical applications. Nature Medicine (2024) https://doi.org/10.1038/s41591-024-03359-y

本文來(lái)自藥明康德內(nèi)容微信團(tuán)隊(duì)，歡迎轉(zhuǎn)發(fā)到朋友圈，謝絕轉(zhuǎn)載到其他平臺(tái)。如有開(kāi)設(shè)白名單需求，請(qǐng)?jiān)凇皩W(xué)術(shù)經(jīng)緯”公眾號(hào)主頁(yè)回復(fù)“轉(zhuǎn)載”獲取轉(zhuǎn)載須知。其他合作需求，請(qǐng)聯(lián)系wuxi_media@wuxiapptec.com。

免責(zé)聲明：藥明康德內(nèi)容團(tuán)隊(duì)專注介紹全球生物醫(yī)藥健康研究進(jìn)展。本文僅作信息交流之目的，文中觀點(diǎn)不代表藥明康德立場(chǎng)，亦不代表藥明康德支持或反對(duì)文中觀點(diǎn)。本文也不是治療方案推薦。如需獲得治療方案指導(dǎo)，請(qǐng)前往正規(guī)醫(yī)院就診。