数字医学领域正在进入一个变革时代，这得益于多模态AI的进步，这些进步使得多模态基础模型的开发成为可能。这些模型以其从大量多模态数据中学习的能力为特征，具有广泛的通用性和潜力，可以改变临床实践。用于训练这些模型的多模态数据涵盖了许多类型，如医学影像、组学、文本报告、信号和视频。
多模态基础模型在临床环境中的潜在应用包括自动化常规任务和为复杂的医疗病例提供决策支持。为了在临床应用中部署这些模型，除了精度（例如诊断工具的精度）之外，还需要考虑可靠性、鲁棒性等其他结果。这包括模型的公平性，以解决可能影响其在不同患者群体中表现的潜在偏见，采用的技术包括偏差检测、公平性意识模型训练和开发包容性数据集，以代表患者人口的全范围。基础模型的泛化能力是另一个重要方面，模型必须在不同的临床环境、患者群体和医疗条件下表现出色。
本集合的目标是促进多模态AI在数字医学领域的进展和知识传播，以及其在临床实践中的应用。该集合旨在涵盖但不限于以下主题：
- 构建多模态AI基础模型，用于识别癌症、心血管疾病或神经退行性疾病等疾病的早期生物标志物。
- 大规模公共多模态数据集，用于开发模型和临床评估及基准测试。
- 多模态模型中的公平性和偏见。
- 模型输出的可解释性，以提高模型理解。
- 多模态模型在临床应用中的泛化能力。
- 在资源受限环境中适应多模态模型。
- 开发多模态模型在临床应用中的伦理和法律考虑。
- 多模态AI在临床应用中的综述和系统评价。
- 使用多模态AI进行纵向分析和生命周期建模。
(全文结束)
