肺癌是一种极具挑战性的疾病，早期诊断对于有效治疗至关重要。幸运的是，人工智能（AI）的进步正在改变肺癌筛查，提高了准确性和效率。虽然目前的筛查方法如低剂量CT有助于确认肺癌的怀疑，但它们常常存在高假阳性率和报告偶发但关键发现（如心血管疾病）的变异性问题。此外，由于全球放射科医生短缺，低剂量CT的筛查率仍然很低（<10%）。
一项发表在《自然通讯》上的新研究介绍了一种多模态多任务基础模型，该模型显著增强了低剂量CT的能力。这项AI模型将肺癌风险预测提高了20%，心血管风险预测提高了10%。该模型由伦斯勒理工学院（Rensselaer Polytechnic Institute, RPI）、威克森林大学（Wake Forest University, WFU）和麻省总医院（Massachusetts General Hospital, MGH）的跨学科团队开发和测试，是首个同时处理十多个相关任务的模型，整合了来自多种来源的数据，包括CT扫描、放射学报告、患者风险因素和关键临床发现。
该研究的第一作者是RPI的研究科学家牛创博士。通讯作者包括RPI的克拉克-克罗斯安教授兼生物医学成像中心主任王戈博士、WFU的克里斯托弗·T·惠特洛博士/博士以及MGH的曼努迪普·K·卡尔拉博士。RPI的关键合作者还包括严平坤博士和克里斯托弗·D·卡罗瑟斯博士等其他重要共同作者。
这项工作的潜在临床影响巨大。通过整合CT图像和文本信息，该模型显著提高了肺癌的检测和预测能力，这对于改善患者的预后至关重要。此外，使用基础模型在医学中的一个主要好处是，当用大规模筛查CT扫描和其他类型的数据进行训练时，这些模型可以提高相关新任务的性能。例如，该模型可以在肿瘤学等领域提高性能，尤其是在特定任务数据有限的情况下。
“这项工作在RPI的高性能计算设施的支持下得到了显著加速，”王戈说。“现在，我们的多机构团队正在使用我们自己的GPU和纽约州帝国AI高性能计算设施进一步增强我们的基础模型，以处理越来越多的多模态数据。领先机构之间的合作突显了人工智能与医学研究之间日益增长的协同作用，有可能彻底改变疾病的检测和治疗方法。”
“王戈及其团队通过结合医学影像、人工智能和高性能计算的力量，在改善人类健康方面取得了重要进展。RPI一直站在计算科学和工程的前沿，为教师和学生提供世界上最好的计算基础设施，以加速变革性想法的发展和转化。我们对这项工作对未来疾病早期检测的意义感到兴奋，并期待看到更多的进展。”
Shekhar Garde博士，RPI工程学院院长
(全文结束)
