一个现实世界的数据集和基准基础模型适应在医疗图像分类的基准
Dequan Wang1,2, Xiaosong Wang1, Lilong Wang1
1Shanghai AI Laboratory, Shanghai, China.
Scientific data
|September 2, 2023
概括
这项研究引入了一个新的数据集和基准,用于适应医学图像分析中的大型基础模型. 它评估了各种临床任务中的模型性能,解决了数据稀缺的挑战.
科学领域:
- 人工智能的人工智能
- 医疗成像医学成像
- 计算机视觉 计算机视觉
背景情况:
- 基础模型在视觉和语言任务中表现出色,上下文学习可以在少数样本上进行适应.
- 调整基础模型用于医学图像分析受到数据和基准稀缺性的限制.
研究的目的:
- 探索适应医学图像分类的基础模型.
- 引入一个新的数据集和基准来评估各种临床任务的基础模型.
主要方法:
- 收集并策划了来自多个机构的22,349张医疗图像的数据集.
- 专注于五个现实世界的临床任务:胸部疾病查,病理性病变查,病变检测,新生儿黄评估和糖尿病视网膜病变分级.
- 使用已建立的基线方法评估基础模型的性能.
主要成果:
- 在拟议的数据集上证明了多种基线方法的性能.
- 结果考虑了调整基础模型的准确性和成本效益.
- 提供了对医学成像中基础模型适应性的全面评估.
结论:
- 这项研究为推进医学图像分析中的基础模型应用提供了宝贵的资源.
- 这些发现凸显了用于各种临床任务的基础模型的潜力和挑战.
- 这项工作有助于进一步研究使用大规模模型进行高效和有效的医学图像分析.


