Nat Mach Intell：科学家利用基础模型识别出了新型的癌症成像生物标志物

深度学习中的基础模型的特点是在大量数据上训练的单一大规模模型能作为多种下游任务的基础；基础模型通常能利用自我监督的学习进行训练，并能在减少下游应用程序对训练样本的需求方面表现得非常出色，这一点在医学研究领域尤为重要，因为大型标记的数据集通常比较稀缺。

近日，一篇发表在国际杂志Nature Machine Intelligence上题为“Foundation model for cancer imaging biomarkers”的研究报告中，来自哈佛医学院等机构的科学家们通过研究利用基础模型背后的技术（诸如ChatGPT等强大工具）发现了新型的癌症成像生物标志物，或有望改变从放射图像中识别模式的方式，而改进诸如这种模式的识别或能极大影响癌症的早期诊断和治疗。

文章中，研究人员利用包含11,467张异常放射扫描图像所组成的综合数据集开发了新型的基础模型，利用这些图形，这一模型就能在四个队列的三个不同的应用场景中识别出预测解剖部位、恶性肿瘤和患者预后的特殊模式。相比该领域当前的方法而言，这种新方法在应用于只有有限数据可用的专门任务时依然非常强大。

科学家利用基础模型识别出了新型的癌症成像生物标志物

图片来源：Nature Machine Intelligence (2024). DOI:10.1038/s42256-024-00807-9

研究者Suraj Pai教授说道，考虑到图像生物标志物的研究是为回答越来越具体的研究问题而量身定做的，我们相信这项研究或能帮助我们进行更加准确和有效地调查。尽管AI方法的效率有所提高，但一个关键问题仍然是其可靠性和可解释性，即人工智能的答案能以一种对人类有意义的方式被解释的改变。研究者表示，他们的方法在内在读者的差异和获取差异上能保持稳定，基础模型所确定的模式也能显示出与潜在生物的强烈关联，且主要与免疫相关的通路有关。

研究者Hugo Aerts说道，我们的研究结果表明，当只有有限的数据能用于训练深度学习网络的情况下，基础模型或许就能在医学研究上表现出一定的有效性，尤其是当应用于识别癌症相关应用场景的可靠成像生物标志物时。综上，本文研究结果表明，基础模型在发现新型成像生物标志物方面具有巨大的潜力，其或能扩展到其它临床应用场景中，且能加速成像生物标志物广泛转化到临床应用环境中。（生物谷Bioon.com）

参考文献：

Pai, S., Bontempi, D., Hadzic, I. et al. Foundation model for cancer imaging biomarkers. Nat Mach Intell 6, 354–367 (2024). doi：10.1038/s42256-024-00807-9