大型语言模型驱动神经架构搜索通用和轻量级的疾病诊断在组织病理学幻灯片图像上的幻灯片图像
Xiu Su1,2, Qinghua Mao3, Zhongze Wu1,2
1Big Data Institute, Central South University, Changsha, China.
NPJ digital medicine
|November 18, 2025
概括
病理-NAS是一种新的AI框架,通过使用大语言模型 (LLM) 来增强医疗图像分析,以创建高效,通用的诊断工具. 这种方法提高了准确性,并降低了人工智能辅助诊断的计算成本.
科学领域:
- 医学成像分析 医学成像分析
- 医疗保健中的人工智能
- 计算病理学计算病理学
背景情况:
- 医疗保健中的当前人工智能通常需要针对疾病的特定模型或为通用基础模型进行昂贵的定制.
- 这限制了AI在临床环境中的复杂诊断任务的实际部署.
- 现有的方法在各种医学成像场景的效率和通用性方面扎.
研究的目的:
- 引入Pathology-NAS,一个通用和轻量级的医学分析框架.
- 利用大型语言模型 (LLM) 来有效地改进人工智能架构搜索空间.
- 在各种临床环境中实现实用,计算高效的AI辅助诊断.
主要方法:
- 开发了Pathology-NAS,一个利用LLM知识指导建筑搜索的框架.
- 在三个超级网络架构的130万个图像上预先训练模型,以获得通用的视觉基础.
- 评估了乳腺癌和糖尿病视网膜病变诊断任务的表现.
主要成果:
- 在乳腺癌和糖尿病视网膜病变诊断方面达到99.98%的分类准确度.
- 与领先的方法相比,计算成本 (FLOP) 降低了45%.
- 仅在10次代中确定了接近最佳的架构,绕过了广泛的搜索.
结论:
- 病理学-NAS为人工智能辅助的医学诊断提供了一个计算效率高,准确的解决方案.
- 该框架在各种成像任务和组织中表现出强烈的概括性.
- 能够实现实际的AI部署,即使是在资源有限的临床环境中.
