对医学图像细分的基础模型进行叙事性审查:在各种模式上进行零射击性能评估
1Department of Computer Science, Graduate School, Kyonggi University, Suwon, Republic of Korea.
Quantitative imaging in medicine and surgery
|July 3, 2025
概括
基金会模型对医疗图像细分 (MIS) 任务有希望,在各种数据集中展示了强大的零射击性能. 需要进一步的研究来优化它们的临床应用和解决局限性.
科学领域:
- 医疗保健中的人工智能
- 对于医学成像的深度学习
- 医学中的基础模型.
背景情况:
- 基础模型,预训练的深度学习模型,在医学成像中越来越多地被采用.
- 这些模型为各种下游任务提供了先进的上下文理解和概括.
- 它们在临床环境中的潜力推动了对多功能AI解决方案的研究.
研究的目的:
- 在医学图像细分 (MIS) 中全面审查基础模型.
- 在各种医疗图像数据集上评估基础模型的零射击性能.
- 评估这些模型在临床环境中的实际适用性.
主要方法:
- 从主要学术平台对MIS基础模型的63项研究进行系统审查.
- 策划了31个未见的医疗图像数据集,用于零射击性能评估.
- 在不同的成像方式和解剖结构中分析模型性能.
主要成果:
- 基于数据维度,模式,提示类型和培训策略的基础模型进行分类.
- 确定了基础模型在零射击MIS跨模式中的优点和局限性.
- 展示了显著的潜力,但也突出了需要改进的领域.
结论:
- 基础模型是推动MIS的宝贵资源.
- 了解它们的能力和局限性对于临床部署至关重要.
- 本次审查支持在医学图像分析和人工智能集成领域的进一步创新.
