想象一下，不是用超级计算机而是用普通的笔记本电脑来诊断癌症。这听起来像是科幻小说吗？多亏了东京科学研究所（Science Tokyo）的Kenji Suzuki教授和他的研究团队开发的一种革命性的人工智能（AI）模型，这个看似遥不可及的场景现在已经成为了现实。
在2024年的放射学会北美年会上，该团队介绍了一种超轻量级的深度学习模型，该模型可以在不依赖昂贵的图形处理单元（GPU）服务器或大规模数据集的情况下辅助肺癌诊断。该模型采用了一种基于大规模训练人工神经网络（MTANN）的独特深度学习方法进行开发，并在一台标准笔记本电脑上进行了训练和测试，实现了以往需要整个数据中心才能完成的任务。
近年来，通过深度学习模型训练的AI在多个研究领域引起了广泛关注。据报道，如果一个深度学习模型在大量数据（如一百万张图像）上进行训练，它可以达到超越传统技术和甚至人类的性能。
大多数模型依赖于大数据，但Suzuki团队开发的AI模型与众不同——它不需要整个医学图像集。相反，它直接从计算机断层扫描（CT）图像中提取的单个像素进行学习。这一策略显著减少了所需的病例数量，从数千个减少到只有68个！
尽管只在少量数据上进行训练，该模型的表现却超过了最先进的大规模AI系统，如Vision Transformer和3D ResNet，达到了0.92的曲线下面积（AUC）值（相比之下，传统的最先进模型的AUC值分别为0.53和0.59）。
一旦训练完成，在标准笔记本电脑上只需8分20秒的完整训练过程，该模型就可以以每例47毫秒的速度生成诊断预测。
尽管在计算能力较低的设置下（配备M1芯片的MacBook Air）进行训练，3D大规模训练人工神经网络（MTANN）仍然实现了卓越的性能（AUC = 0.92），更快的推理速度，以及大幅减少的训练时间和参数数量，相比3D ResNet有显著优势。
“这项技术不仅仅是让AI更便宜或更快，”Suzuki说。“它是要使强大的诊断工具变得可访问，尤其是在难以获取训练数据的罕见疾病领域。此外，它将大大降低数据中心开发和使用AI所需的电力需求，并可以解决由于AI使用的快速增长而可能面临的全球电力短缺问题。”
为了表彰其重要性，该团队的研究在2024年RSNA会议上获得了备受推崇的Cum Laude奖，该奖项仅授予1,312场演讲中的1.45%。虽然这项创新肯定会对癌症诊断产生变革性影响，但它也证明了Suzuki深厚的学识和不懈的奉献精神。
Suzuki在生物医学AI领域拥有深厚的专业知识，他在2000年代初发明了MTANN技术（用于当前研究）。这是他早期开发并改进的最早期的深度学习模型之一。在他的25年研究生涯中，Suzuki对该领域做出了重大贡献，发表了超过400篇论文，并获得了40多项专利，其中大部分已获得许可并商业化。
除此之外，他的近期成就包括担任第39届AAAI人工智能年度会议的分会主席。他在2024年因研究获得了RSNA的两项最高荣誉。此外，他还被公认为全球排名前2%的科学家之一。
Suzuki继续在AI和医学成像的交叉领域进行开创性研究，积极推动跨学科合作，推动AI在临床实践中的边界。他的团队在紧凑型高性能诊断模型方面的工作展示了创新思维与实际实施相结合如何能够在工程与医学之间架起桥梁。
在一个充满活力的研究环境和强大的合作者网络的支持下，Suzuki不仅在推进生物医学AI领域的发展，还在帮助塑造下一代转化医学技术。
由东京科学研究所提供
(全文结束)
