編輯 | 白菜葉

想象一下，用普通的筆記本電腦而不是超級計算機來診斷癌癥，聽起來像科幻小說嗎？

東京科學研究所（Science Tokyo）的 Kenji Suzuki 教授的研究團隊開發的 AI 模型，使這一遙不可及的設想變成了現實。

該團隊在 2024 年北美放射學會 (RSNA) 年會上發布了一款超輕量級深度學習模型，該模型無需依賴昂貴的 GPU 服務器與海量數據集，即可輔助肺癌診斷。

該模型采用基于MTANN的獨特深度學習方法開發，僅需一臺標準筆記本電腦即可進行訓練和測試，實現了曾經需要整個數據中心才能完成的任務。

近年來，基于深度學習模型訓練的人工智能備受關注，并推動了多個研究領域的創新。理論上，如果深度學習模型基于海量數據（例如一百萬張圖像）進行訓練，其性能將超越傳統技術甚至人類專家。

大多數模型都依賴于大數據，而 Suzuki 團隊開發的人工智能模型卻獨具特色——與傳統的大規模人工智能模型不同，它不需要完整的醫學影像集。相反，它直接從計算機斷層掃描 (CT) 圖像中提取的單個像素進行學習。這一策略顯著減少了所需病例數量，從數千例減少到僅 68 例！

雖然僅基于少量數據進行訓練，該模型的表現仍超越了Vision Transformer和 3D ResNet 等最先進的大規模 AI 系統，達到了曲線下面積 (AUC) 0.92 的判別性能（而傳統的 SOTA 模型的 AUC 值分別為 0.53 和 0.59）。

訓練完成后，在標準筆記本電腦上，整個訓練過程僅需 8 分 20 秒，該模型能夠以每例 47 毫秒的驚人速度生成診斷預測。

「這項技術不僅僅是為了讓人工智能更便宜或更快速。」Suzuki 說道，「它還能讓強大的診斷工具觸手可及，尤其是針對那些難以獲取訓練數據的罕見疾病。此外，它還能大幅降低數據中心開發和使用人工智能的電力需求，并解決我們可能因人工智能應用的快速增長而面臨的全球電力短缺問題。」

該團隊的研究成果曾在 2024 年 RSNA 年會上榮獲「優等獎」（Cum Laude Award），在 1312 場報告會中，僅有1.45%的團隊獲此殊榮。

關于 Kenji Suzuki

Suzuki 一直深耕于生物醫學人工智能領域，于 21 世紀初率先發明了 MTANN 技術（已用于該研究）。這是他最早開發和改進的深度學習模型之一。

論文鏈接：https://aapm.onlinelibrary.wiley.com/doi/10.1118/1.1580485

在 25 年的研究生涯中，Suzuki 在其領域做出了重大貢獻，發表了 400 多篇論文，并擁有 40 多項專利，其中大部分已獲得授權并實現商業化。

除此之外，他近期的成就還包括擔任第 39 屆 AAAI 人工智能年會的分會主席。他于 2024 年憑借其研究成果榮獲 RSNA 的兩項最高榮譽。此外，他還被公認為全球頂尖 2% 的科學家之一。

Suzuki 教授持續引領人工智能與醫學成像交叉領域的開創性研究，積極促進跨學科合作，不斷突破人工智能在臨床實踐中的應用界限。他的團隊在緊湊型高性能診斷模型方面的工作，充分展現了創新思維與實際應用相結合如何彌合工程與醫學之間的差距。

憑借充滿活力的研究環境和強大的合作伙伴網絡，Suzuki 不僅推動了生物醫學人工智能領域的發展，而且還幫助塑造了下一代轉化醫學技術。

相關文獻：

Qu T., Yang Y., Jin Z., and Suzuki K.: Annotation-free AI learning of lung nodule segmentation in CT using weakly-supervised Massive-training Artificial neural networks. Program of Scientific Assembly and Annual Meeting of Radiological Society of North America (RSNA), SP-16262-RSNA, December 2024.

Kodera S., Chavoshian S. M., Jin Z., Watadani T., Abe O., and Suzuki K.: Super-efficient AI for lung nodule classification in CT based on small-data massive-training artificial neural network (MTANN). Program of Scientific Assembly and Annual Meeting of Radiological Society of North America (RSNA), SP-14971-RSNA, December 2024.

參考內容：https://www.eurekalert.org/news-releases/1086388