AI成像新标准，仅1%原始数据可达最佳性能，通用医学基础模型登Nature子刊

文章预览

将 ScienceAI   设为 星标 第一时间掌握 新鲜的 AI for Science 资讯 编辑 | 白菜叶 经过大规模预训练的基础模型已在非医学领域取得了巨大成功。然而，训练这些模型通常需要大量全面的数据集，这与生物医学成像中常见的较小且更专业的数据集形成鲜明对比。 德国弗劳恩霍夫数字医学研究所（Fraunhofer Institute for Digital Medicine MEVIS）的研究人员提出了 一种多任务学习策略，将训练任务数量与内存需求分离开来。 他们在多任务数据库（包括断层扫描、显微镜和 X 射线图像）上训练了 一个通用生物医学预训练模型 (UMedPT)，并采用了各种标记策略，例如分类、分割和物体检测。 UMedPT 基础模型的表现优于 ImageNet 预训练和之前的 STOA 模型。 在外部独立验证中，使用 UMedPT 提取的成像特征被证明为跨中心可转移性树立了新标准。 该研究以「 Overcoming data scarcity i ………………………………