醫學影像分析一直面臨MRI影像資料量龐大且複雜的挑戰。傳統方法將3D MRI影像切割成2D影像進行分析，限制了對複雜解剖結構的理解。然而，GE醫療在AWS re:Invent大會上發布了業界首個全身3D MRI研究基礎模型，為這個難題帶來了突破性進展。該模型基於超過173,000張圖像構建，訓練所需計算能力比以往減少了五倍，能夠實現對複雜3D MRI數據的實時分析，並支持圖像與文本的搜索、鏈接，以及疾病的分割和分類。
MRI 影像因其複雜性和數據量大，一直以來都是醫學影像分析的一大挑戰。為了訓練大型語言模型（LLM）進行MRI 分析，開發者不得不將所獲取的圖像切割為2D 圖像，這樣的處理雖然可行，但卻限制了模型對複雜解剖結構的分析能力，尤其是在腦腫瘤、骨骼疾病或心血管疾病等複雜案例。
圖源備註:圖片由AI生成，圖片授權服務商Midjourney
不過，GE 醫療在今年的AWS re:Invent 大會上發布了業界首個全身3D MRI 研究基礎模型（FM），這標誌著MRI 模型終於可以利用整個身體的3D 影像。這個模型是基於超過173，000張來自19，000個研究的圖像構建的，開發團隊表示，透過這個新模型，訓練所需的計算能力比以往減少了五倍。
儘管GE 醫療尚未將此基礎模型商業化，目前仍處於研究階段，早期評估者馬薩諸塞總醫院（Mass General Brigham）即將開始實驗使用此模型。 GE 醫療的首席人工智慧長帕里・巴蒂亞(Parry Bhatia)表示，希望將這些模型賦予醫療系統的技術團隊，幫助他們更快速、經濟地開發研究和臨床應用。
這一模型的出現將實現對複雜3D MRI 數據的即時分析。 GE 醫療團隊在先進技術方面已有十年積累，其旗艦產品AIR Recon DL 是一種深度學習重建演算法，可幫助放射科醫生更快地獲取清晰影像，並可將掃描時間縮短多達50%。此外，此3D MRI 模型可以支援影像與文字的搜尋、鏈接，並對疾病進行分割和分類，期望能為醫療專業人員提供比以往更詳盡的掃描資訊。
在資料處理上，開發團隊採用了「調整與適應」 的策略，使模型能夠處理各種不同的資料集，即便有些影像資料不完整，模型也能夠跳過缺失部分。此外，半監督的學生- 教師學習方法也被運用，以提高模型在有限數據條件下的學習能力。
為了解決建構此複雜模型流程中遇到的運算和資料挑戰，GE 醫療利用了亞馬遜的SageMaker 平台，結合高效能GPU 的分散式訓練能力，顯著提升了資料處理速度和模型訓練效率。這一切都在確保符合HIPAA 等合規標準的前提下進行，以期為患者提供更個人化的醫療服務。
目前，該模型雖然專注於MRI 領域，但開發者們看到了向其他醫學領域擴展的巨大機會。未來，基於這個基礎模型，或許可以為放射治療等領域提供更快、更有效率的解決方案。
劃重點:
GE 醫療推出業界首個全身性3D MRI 研究基礎模型，顯著提升影像分析能力。
新模型透過調整資料處理策略，減少運算資源消耗，提高訓練效率。
該模型未來可望拓展至其他醫學領域，協助更精準的醫療服務。
GE醫療的3D MRI研究基礎模型標誌著醫學影像分析進入了一個新的時代，其高效的分析能力和潛在的應用前景，將極大推動醫療技術的進步，為患者帶來更精準、更便捷的醫療服務。 未來，該模型可望應用於更多領域，進一步提升醫療診斷和治療效率。