医学多式多任务基础模型用于肺癌查
Chuang Niu1, Qing Lyu2, Christopher D Carothers1
1Department of Biomedical Engineering, School of Engineering, Biomedical Imaging Center, Center for Computational Innovations, Center for Biotechnology & Interdisciplinary Studies, Rensselaer Polytechnic Institute, 110 8th Street, Troy, 12180, NY, USA.
Nature communications
|February 11, 2025
概括
一个新的医学基础模型 (M3FM) 通过分析各种数据类型来增强肺癌查. 这种人工智能方法改善了肺癌和心血管疾病风险预测,推进了临床管理.
科学领域:
- 人工智能在医学中的应用
- 医学成像分析 医学成像分析
- 多模式数据融合多模式数据融合
背景情况:
- 肺癌查 (LCS) 使用广泛的多式联络数据,包括文本,表格和图像.
- 在LCS中不完整的数据挖掘可能导致被忽视的特征,从而对患者的护理和结果产生负面影响.
- 由于LCS数据的复杂性,需要先进的分析方法来最大限度地提高临床效用.
研究的目的:
- 引入一种新的医疗多式多任务基础模型 (M3FM),用于分析LCS中的三维低剂量计算机断层扫描 (CT) 数据.
- 开发一种可扩展的架构,能够协同实现多式联网多任务处理,用于全面的LCS数据分析.
- 通过先进的AI技术,提高各种LCS任务的准确性和效率.
主要方法:
- 策划了一个大型数据集,包括49种临床数据类型,163,725个胸部CT系列和17个不同的LCS任务.
- 开发了一种可扩展的多式联运式问答模型架构,旨在协同执行多任务.
- 采用大规模的多式联运和多任务学习策略来训练M3FM.
主要成果:
- 与现有的最先进的模型相比,M3FM在LCS中表现出更高的性能.
- 在肺癌风险预测 (高达20%) 和心血管疾病死亡风险预测 (高达10%) 中取得显著改善.
- 该模型有效地处理高维,多尺度成像数据,并集成各种数据模式.
结论:
- 通过有效利用大规模的多式联络和多任务学习,M3FM促进了LCS的发展.
- 该模型表现出适应性,以最小的数据要求进行分布之外的任务.
- 这种基础模型有可能提高肺癌查的临床管理和医疗保健质量.
