多模态多任务基础模型提升肺癌筛查及其他领域

肺癌是一种极具挑战性的疾病，早期诊断对于有效治疗至关重要。幸运的是，人工智能（AI）的进步正在改变肺癌筛查，提高了准确性和效率。虽然目前的筛查方法如低剂量CT有助于确认肺癌的怀疑，但它们经常存在高假阳性率和报告偶然发现（如心血管疾病）时的不一致性问题。此外，由于全球放射科医生短缺，低剂量CT的筛查率仍然很低（<10%）。

发表在《自然通讯》上的一项新研究介绍了一种多模态多任务基础模型，该模型显著增强了低剂量CT的能力。这个AI模型将肺癌风险预测提高了20%，并将心血管风险预测提高了10%。该模型由伦斯勒理工学院（RPI）、维克森林大学（WFU）和马萨诸塞州总医院（MGH）的一个跨学科团队开发并测试，是首个同时处理十几个相关任务的模型，整合了来自多个来源的数据，包括CT扫描、放射学报告、患者风险因素和关键临床发现。

该研究的第一作者是RPI的研究科学家牛创博士。通讯作者包括RPI生物医学成像中心主任、克拉克-克罗斯安讲席教授王戈博士，WFU的Christopher T. Whitlow博士/教授，以及MGH的Mannudeep K. Kalra博士。RPI的关键合作者包括严平坤博士和Christopher D. Carothers博士，以及其他重要的共同作者。

这项工作的潜在临床影响巨大。通过整合CT图像和文本信息，该模型显著提高了肺癌的检测和预测能力，这是改善患者预后的关键因素。此外，使用基础模型在医学中的一个主要优势是，当用大规模筛查CT扫描和其他类型的数据进行训练时，这些模型可以提高相关新任务的性能。例如，该模型可以在肿瘤学等领域提高性能，而这些领域的特定任务数据往往有限。

“这项工作得益于RPI的高性能计算设施得到了显著加速，”王戈说。“现在，我们的多机构团队正在利用我们自己的GPU和纽约州帝国AI高性能计算设施，进一步增强我们在不断增长的多模态数据上的基础模型。领先机构之间的合作突显了人工智能与医学研究之间日益增长的协同作用，有潜力彻底改变疾病的检测和治疗方法。”

“王戈博士和他的团队通过结合医学影像、人工智能和高性能计算的力量，在改善人类健康方面取得了重要进展。RPI一直站在计算科学和工程的前沿，为教职员工和学生提供世界一流的计算基础设施，以加速变革性想法的发展和转化。我们对这项工作对未来疾病早期检测的意义感到兴奋，并期待看到进一步的进展，”RPI工程学院院长Shekhar Garde博士表示。

(全文结束)