癌症成像生物标志物的基础模型
Suraj Pai1,2,3, Dennis Bontempi1,2,3, Ibrahim Hadzic1,2,3
1Artificial Intelligence in Medicine (AIM) Program, Mass General Brigham, Harvard Medical School, Harvard Institutes of Medicine, Boston, MA USA.
Nature machine intelligence
|March 25, 2024
概括
基础模型,在广泛的数据上训练,加速癌症成像生物标记物的发现. 这种方法减少了对大型标记数据集的需求,在临床应用中优于传统方法.
科学领域:
- 人工智能的人工智能
- 深度学习 (Deep Learning) 是一种深度学习.
- 医疗成像医学成像
背景情况:
- 基础模型是对各种应用的庞大数据集进行训练的大规模AI模型.
- 自主监督学习 (SSL) 是基础模型的关键,减少对标记数据的依赖.
- 标记医疗数据的稀缺性阻碍了医疗保健中的AI发展.
研究的目的:
- 开发一种基础模型,用于发现癌症成像生物标志物.
- 评估模型在临床应用中的性能.
- 与传统方法相比,评估模型的效率和稳定性.
主要方法:
- 在 11,467 个放射性病变上使用自主监督学习训练了一个卷积编码器.
- 在不同的癌症成像生物标志物发现任务上评估了基础模型.
- 与受监督和先进的预训练模型进行性能比较.
主要成果:
- 基础模型促进了对成像生物标志物的有效学习.
- 特定任务的模型显著优于传统方法,尤其是有限的数据.
- 该模型显示了增强的稳定性和强大的生物关联.
结论:
- 基金会模型具有在瘤学中发现新型成像生物标志物的巨大潜力.
- 这种方法可以加速成像生物标志物的临床翻译.
- 该方法可能适用于癌症成像以外的其他临床用例.
