一张图片可能值千言万语，但它们都需要努力才能赶上BiomedGPT。最近，《自然医学》杂志报道了这一新的人工智能（AI）模型，它旨在支持广泛的医疗和科学任务。这项由多个机构合作进行的研究被描述为“首个开源且轻量级的视觉语言基础模型，设计为能够执行各种生物医学任务的通用模型”。
该系统结合了两种类型的AI，成为医疗提供者的决策支持工具。系统的一侧训练用于理解生物医学图像，另一侧训练用于理解和评估生物医学文本。这种组合使模型能够应对广泛的生物医学挑战，利用从生物医学图像数据库中获得的见解以及对科学和医学研究报告的分析和综合。
“8月7日发表在《自然医学》上的文章《一种用于多样化生物医学任务的通用视觉语言基础模型》的关键创新在于，这种AI模型无需针对每个任务进行专门化。”论文的主要作者、利哈伊大学计算机科学与工程助理教授孙立超表示，“通常，AI系统是为特定任务而训练的，例如识别X光片中的肿瘤或总结医学论文。然而，这种新模型可以使用相同的基础技术处理许多不同的任务。这种多功能性使其成为医疗提供者手中的强大新工具。”
“BiomedGPT基于基础模型，这是AI领域的最新发展。”孙立超说，“基础模型是大型预训练的AI系统，可以通过最少的额外训练适应各种任务。本文描述的通用模型已经接受了大量生物医学数据的训练，包括图像和文本，使其在不同应用中表现出色。”
“通过评估25个数据集，涵盖9个生物医学任务和不同模态，”论文的第一作者、孙立超指导的利哈伊大学博士生张凯说，“BiomedGPT取得了16项最先进的成果。对BiomedGPT在三个放射学任务上的人类评估展示了该模型的强大预测能力。”
张凯表示，他很自豪开源代码库可供其他研究人员使用，以推动进一步的发展和采用。团队报告称，BiomedGPT背后的技术未来可能帮助医生解读复杂的医学图像，协助研究人员分析科学文献，甚至通过预测分子行为来帮助药物发现。
“这种技术的潜在影响是巨大的，”张凯说，“它可以简化医疗保健和研究的许多方面，使其更快、更准确。我们的方法表明，有效利用多样化的数据进行训练可以导致更实用的生物医学AI，从而改善诊断和工作流程效率。”
验证模型的有效性和适用性是过程中的关键步骤。“临床测试涉及将AI模型应用于真实患者数据，以评估其准确性、可靠性和安全性，”孙立超说，“这些测试确保模型在不同场景下表现良好。这些测试的结果有助于改进模型，展示其在改善临床决策和患者护理方面的潜力。”
麻省总医院（MGH）是马萨诸塞州综合布里格姆医疗系统的创始成员，也是哈佛医学院的教学附属机构，在BiomedGPT模型的开发和验证中发挥了关键作用。该机构的参与主要集中在提供临床专业知识和促进模型在现实世界医疗环境中的有效性评估。例如，该模型在MGH的放射科进行了测试，展示了在视觉问答和放射学报告生成等任务中的优越性能。这种合作确保了模型既准确又适用于临床使用。
其他贡献者包括来自佐治亚大学、三星美国研究院、宾夕法尼亚大学、斯坦福大学、中央佛罗里达大学、加州大学圣克鲁兹分校、德克萨斯大学健康科学中心、费城儿童医院和梅奥诊所的研究人员。
“这项研究高度跨学科且协作性强，”孙立超说，“研究涉及来自多个领域的专业知识，包括计算机科学、医学、放射学和生物医学工程。每位作者都贡献了必要的专业知识，以开发、测试和验证模型在各种生物医学任务中的应用。像这样的大型项目通常需要访问多样化的数据集和计算资源，以及算法开发、模型训练、评估和应用到现实场景的技能，还包括临床测试和验证。”
“这是一项真正的团队努力，”他说，“创造一个能够真正帮助医疗社区改善患者在广泛问题上的结果的东西是一个非常复杂的挑战。面对如此复杂的问题，协作是通过科学和工程的应用产生影响的关键。”
(全文结束)
