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。听起来像是科幻小说？多亏了东京科学研究所（Science Tokyo）的Kenji Suzuki教授及其研究团队开发的一种革命性的人工智能（AI）模型，这一看似遥不可及的场景现在已成为现实。
该团队在2024年的北美放射学会（RSNA）年会上展示了这种超轻量级的深度学习模型，该模型可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。该模型使用基于大规模训练人工神经网络（MTANN）的独特深度学习方法开发，并在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，而Suzuki团队开发的AI模型与众不同——它不需要完整的医学图像集。相反，它直接从CT扫描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数据量，从数千个病例减少到仅68个！
尽管只在少量数据上进行了训练，但该模型的表现超过了最先进的大规模AI系统，如Vision Transformer和3D ResNet，达到了曲线下面积（AUC）值为0.92（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，整个训练过程在标准笔记本电脑上仅需8分钟20秒，它就能以每例47毫秒的速度生成诊断预测。
“这项技术不仅仅是让AI变得更便宜或更快。它的目的是使强大的诊断工具变得可访问，尤其是在难以获得训练数据的罕见疾病方面。此外，它将大幅降低数据中心开发和使用AI所需的电力需求，从而解决由于AI使用的快速增长可能面临的全球电力短缺问题。”
东京科学研究所的Kenji Suzuki教授
为了表彰其重要性，该团队的研究在RSNA 2024年会上获得了优等奖，这是1,312篇演讲中仅有1.45%能够获得的荣誉。虽然这一创新无疑将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深度学习模型之一。在他的25年研究经验中，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。
(全文结束)
