斯坦福的MUSK AI模型革新癌症诊断与治疗
realtime news Feb 04, 2025 23:26
斯坦福大学研究人员开发了MUSK，一个通过多模态数据处理增强癌症诊断和治疗效果的AI模型，其准确性和预测能力超过了现有模型。
斯坦福大学的研究人员推出了一种名为MUSK（统一遮蔽建模的多模态转换器）的突破性AI模型，旨在简化癌症诊断并个性化治疗计划。英伟达报道称，这一创新模型通过基于患者独特数据定制治疗计划，推动精准肿瘤学前进。
整合多模态数据
MUSK利用两步多模态转换器模型处理临床文本数据和病理图像。这种方法使模型能够识别出医疗专业人员可能无法立即检测到的模式，从而提供增强的临床见解。模型首先从大量未配对的数据中学习，然后通过配对图像和文本数据进行细化学习，使其能够识别癌症类型、生物标志物，并建议有效治疗方法。
前所未有的数据处理
该AI模型使用包含50亿张病理图像的数据集预训练，涉及11,577名患者和超过十亿条病理相关文本数据。这种广泛的预训练在使用64个NVIDIA V100 Tensor Core GPUs的情况下进行，为期十天，突出了模型高效处理大规模数据的能力。
诊断中的卓越表现
在23个病理基准上评估时，MUSK通过有效匹配病理图像与相应的医学文本，表现优于现有AI模型。它在解释病理相关问题方面也表现出73%的准确率，例如识别癌变区域和预测生物标志物的存在。
增强癌症检测
MUSK改进了各种癌症亚型的检测和分类，包括乳腺癌、肺癌和结直肠癌，提升幅度高达10%。它在检测乳腺癌生物标志物方面表现出83%的准确率，并以75%的成功率预测了癌症生存结果。这个模型显著超越了通常提供60-65%准确率的标准临床生物标志物。
未来前景
研究团队计划验证该模型在多样化患者群体和临床环境中的有效性，目标是在前瞻性临床试验中获得监管批准。此外，他们正在探索将MUSK应用于其他数据类型，如放射图像和基因组数据，以进一步增强其诊断能力。
研究人员的工作，包括安装说明和模型评估代码，都可以在GitHub上找到，为医疗AI领域的进一步探索和发展提供资源。
Image source: Shutterstock