研究人員開發(fā)人工智能基礎模型來推進病理學

基礎模型是在大規(guī)模數(shù)據(jù)集上訓練的先進人工智能系統(tǒng)，有可能為醫(yī)學領域帶來前所未有的進步。在計算病理學 (CPath) 中，這些模型可能在診斷準確性、預后洞察和預測治療反應方面表現(xiàn)出色。

麻省總醫(yī)院的研究人員設計了迄今為止最大的兩個 CPath 基礎模型：UNI 和 CONCH。這些基礎模型適用于 30 多種臨床和診斷需求，包括疾病檢測、疾病診斷、器官移植評估和罕見疾病分析。

新模型克服了當前模型的局限性，不僅在研究人員測試的臨床任務中表現(xiàn)良好，而且在識別新的、罕見的和具有挑戰(zhàn)性的疾病方面也顯示出了前景。UNI和CONCH的論文發(fā)表在Nature Medicine上。

UNI 是理解病理學圖像的基礎模型，從識別組織學感興趣區(qū)域中的疾病到十億像素全幻燈片成像。它使用包含超過 1 億個組織斑塊和超過 100,000 張完整幻燈片圖像的數(shù)據(jù)庫進行訓練，在解剖病理學中具有通用的人工智能應用。

值得注意的是，UNI 采用遷移學習，將以前獲得的知識以極高的準確性應用于新任務。在包括癌癥分類和器官移植評估在內的 34 項任務中，UNI 的表現(xiàn)優(yōu)于現(xiàn)有的病理模型，凸顯了其作為 CPath 工具的多功能性和潛在應用。

　　免責聲明：本文由用戶上傳，與本網(wǎng)站立場無關。財經信息僅供讀者參考，并不構成投資建議。投資者據(jù)此操作，風險自擔。 如有侵權請聯(lián)系刪除！