计算医疗中的数据中心化基础模型:综述
基于自我监督方法使用大规模数据集训练的基础模型(FMs)被广泛应用于各个领域,包括医疗保健领域,特别在自然语言处理、医学图像分析、临床大型语言模型和病理组学数据等方面。该综述论文全面概述了 FMs 在医疗保健领域的历史、学习策略、旗舰模型、应用和挑战,并提供了详细的医疗应用分类,同时讨论了 FMs 所面临的挑战和未来研究方向。
Jun, 2024
基于现有数据进行预训练的基础模型在促进医疗卫生事业中发挥着积极作用,它打破了有限人工智能模型与多样化医疗实践之间的矛盾,提供了更广泛的医疗场景,从而改善智能医疗服务。本文对基础模型的挑战、机遇和未来发展方向进行了全面深入的调研和探讨,以期加深人们对基础模型的认识和为未来发展提供有价值的指导。
Apr, 2024
该调查研究了基本模型(FM)在人工智能中的转化影响,重点关注其与联邦学习(FL)相结合在推进生物医学研究中的应用。基于巨大数据集通过无监督预训练、自监督学习、指导微调和人类反馈强化学习等方法训练的基本模型,如 ChatGPT、LLaMa 和 CLIP,代表了机器学习的重要进展。这些模型具有生成连贯文本和逼真图像的能力,在需要处理包括临床报告、诊断图像和多模态患者互动等多样数据形式的生物医学应用中发挥关键作用。将联邦学习与这些复杂模型结合起来,为利用其分析能力同时保护敏感医疗数据的隐私提供了有前途的策略。这种方法不仅提升了基本模型在医学诊断和个性化治疗方面的能力,还解决了医疗保健中数据隐私和安全的重要问题。该调查回顾了基本模型在联邦环境中的当前应用,强调了挑战,并确定了未来的研究方向,包括扩展基本模型、管理数据多样性以及提高联邦学习框架内的通信效率。旨在鼓励进一步研究基本模型和联邦学习的结合潜力,为突破性的医疗创新奠定基础。
May, 2024
通过将基础模型应用于医疗保健领域,可使人工智能的开发更具规模性和经济效益。医疗记录的结构化基础模型在数百万患者的记录上训练,表现出了较少训练标签的性能提升以及对分布变化的改进鲁棒性。本研究基于多中心数据研究探讨了这种基础模型的适应性,结果显示在医院间分享模型可提高预测性能并降低成本,进而强调基础模型作为模块化组件在健康保健人工智能开发中的实用性。
Nov, 2023
本文回顾了 80 多个非成像电子医疗记录基础模型并创建了一个分类法以区分它们的结构、训练数据和潜在用例。作者们发现,大多数模型是在小型、局限性临床数据集(例如 MIMIC-III)或广泛的公共生物医学语料库(例如 PubMed)上进行训练的,并且评估任务不能提供对其对医疗系统有用性的有意义见解。基于这些发现,作者提出了一个更加贴近医疗保健重要指标的评估框架,用于衡量临床基础模型的好处。
Mar, 2023
通过提供医学成像领域基础模型的综合概述,本调查旨在帮助研究人员了解基础模型的基本概念、培训策略、计算要求以及在医学图像分析方面的机会、应用和未来发展方向。
Oct, 2023
医学影像领域的基础模型(FM)具有巨大潜力,但在临床实践中的部署需要广泛的道德考虑。本文旨在强调与基础模型相关的道德问题,并提出一个框架来指导其在医学中的负责任发展和实施。我们仔细研究了诸如患者数据隐私、偏见缓解、算法透明度、可解释性和问责制等道德问题。该提出的框架旨在优先考虑患者福祉,减轻潜在风险,并在 AI 辅助医疗保健中建立信任。
Apr, 2024
综合调查了联邦基础模型(FedFM)领域,阐明了其与联邦学习(FL)的协同关系,并探索了 FL 研究领域在基础模型时代需要关注的新方法、挑战和未来方向。提出了一种系统的多层次分类法,对现有的 FedFM 方法进行了分类。全面讨论了关键挑战,包括如何使 FL 处理高复杂性的计算需求、隐私考虑、贡献评估和通信效率。这项调查强调了在 FedFM 领域进行进一步研究以推动创新的重要性,强调了开发可信解决方案的需求。作为研究人员和从业者参与这个跨学科和快速发展领域的基础指南。
Apr, 2024
本文讨论了大规模预训练模型,即基础模型,用于分析医学图像的机遇、应用和未来方向。具体而言,我们说明了医学基础模型的 “光谱”,从一般的视觉模型、模态特异性模型到器官 / 任务特异性模型,强调它们的挑战、机会和应用,以此来提高医学图像分析的准确性和效率,从而促进更加精确的诊断和治疗决策。
Jun, 2023