記者從北京大學未來技術學院獲悉，北京大學與溫州醫(yī)科大學的研究團隊建立一種生成式多模態(tài)跨器官醫(yī)學影像基礎模型（MINIM），可基于文本指令以及多器官的多種成像方式，合成海量的高質量醫(yī)學影像數(shù)據(jù)，為醫(yī)學影像大模型的訓練、精準醫(yī)療及個性化診療等提供有力技術支持。該成果已于近期在國際權威期刊《自然·醫(yī)學》上在線發(fā)表。

醫(yī)學影像大模型是利用深度學習和大規(guī)模數(shù)據(jù)訓練的AI通用模型，可自動分析醫(yī)學影像以輔助診斷和治療規(guī)劃。但要提升大模型的性能，就需要大量數(shù)據(jù)不斷進行訓練。然而，由于患者隱私保護、高昂的數(shù)據(jù)標注成本等多種因素，要獲得高質量、多樣化的醫(yī)學影像數(shù)據(jù)往往存在障礙。為此，近年來，研究者們開始探索使用生成式AI技術合成醫(yī)學影像數(shù)據(jù)，以此來擴充數(shù)據(jù)。

圖為由MINIM生成的高質量醫(yī)學合成圖像（受訪者供圖）

“目前公開的醫(yī)學影像數(shù)據(jù)非常有限，我們建立的生成式模型有望解決訓練數(shù)據(jù)不夠的問題。”北京大學未來技術學院助理研究員王勁卓說，研究團隊利用多種器官在CT、X光、磁共振等不同成像方式下的高質量影像文本配對數(shù)據(jù)進行訓練，最終生成海量的醫(yī)學合成影像，其在圖像特征、細節(jié)呈現(xiàn)等多方面都與真實醫(yī)學圖像高度一致。

實驗結果顯示，MINIM生成的合成數(shù)據(jù)在醫(yī)生主觀評測指標和多項客觀檢驗標準方面達國際領先水平，在臨床應用中具有重要參考價值。在真實數(shù)據(jù)基礎上，使用20倍合成數(shù)據(jù)在眼科、胸科、腦科和乳腺科的多個醫(yī)學任務準確率平均可提升12%至17%。

王勁卓表示，MINIM產(chǎn)生的合成數(shù)據(jù)具有廣泛應用前景，可單獨作為訓練集來構建醫(yī)學影像大模型，也可與真實數(shù)據(jù)結合使用，提高模型在實際任務中的性能，推動AI在醫(yī)學和健康領域更廣泛應用。目前，在疾病診斷、醫(yī)學報告生成和自監(jiān)督學習等關鍵領域，利用MINIM合成數(shù)據(jù)進行訓練已展現(xiàn)出顯著的性能提升。

關鍵詞：