相关实验视频
Updated: Jul 17, 2026

09:17
Using Retinal Imaging to Study Dementia
Published on: November 6, 2017
22.2K
通过多模式基础模型进行数据效率高的糖尿病视网膜病变检测的背景学习.
Murat S Ayhan1,2, Ariel Y Ong1,2, Eden Ruffell1,2
1Moorfields Eye Hospital NHS Foundation Trust, NIHR Moorfields Biomedical Research Centre, London, UK.
Ophthalmology science
|October 27, 2025
概括
使用谷歌Gemini 1.5 Pro的上下文学习 (ICL) 显示了与用于糖尿病视网膜病变检测的特定领域模型相比较的性能. 这表明,未来医学的AI可能会利用可适应的基础模型.
科学领域:
- 人工智能在医学中的应用
- 医学图像分析 医学图像分析
- 眼科医生 眼科 眼科
背景情况:
- 多式模式基础模型通过上下文学习 (ICL) 快速适应新任务.
- 特定领域的模型需要广泛的微调,用于特殊任务,如糖尿病视网膜病变 (DR) 检测.
研究的目的:
- 评估使用谷歌Gemini 1.5 Pro的ICL是否可以与DR检测的域特定模型 (RETFound) 的诊断性能相匹配.
- 为了比较一个一般的多式联络模型与ICL的有效性,与一个专门的,微调的模型相比.
主要方法:
- 用516张彩色基底照片 (CFP) 的回顾性数据集用于二进制DR分类.
- 谷歌Gemini 1.5 Pro经过零射击和少数射击ICL的测试.
- RETFound对DR检测进行了微调.
- 使用精度,F1得分和校准错误与10倍交叉验证来评估性能.
主要成果:
- 双子1.5 Pro与ICL实现了0.841的精度和0.876.87的F1得分.
- RETFound实现了0.849的准确性,F1的得分为0.883.
- 虽然准确度和F1分数相似,但RETFound显示出优越的校准 (P = 0.004).
结论:
- 使用Gemini 1.5 Pro的上下文学习显示了与用于糖尿病视网膜病变检测的特定领域模型相比较的性能.
- 这凸显了未来医疗人工智能系统中可适应的基础模型的潜力.
- 未来的系统可能不太依赖于定制解决方案,更多地依赖于多功能,预先训练的模型.

