Apa yang berlaku
Bahagian penyelidikan Alibaba, Akademi Damo, telah mengeluarkan model bahasa penglihatan sumber terbuka yang dipanggil Damo Radar, yang direka untuk menganalisis imbasan CT dipertingkatkan kontras. Model ini mampu mengenal pasti 146 penemuan klinikal yang berbeza merentasi 18 organ perut, termasuk pelbagai tumor malignan. Menurut laporan daripada NewsBytes, model itu dilatih pada set data yang terdiri daripada imbasan CT dan laporan klinikal untuk mencapai keupayaan diagnostiknya.
Akademi Damo Alibaba telah mengeluarkan Damo Radar, model bahasa penglihatan sumber terbuka yang direka khusus untuk pengimejan perubatan. Sistem ini direka bentuk untuk memproses imbasan CT dipertingkatkan kontras untuk mengenal pasti pelbagai keadaan perut.
Model ini meliputi 18 organ perut dan mampu mengesan 146 penemuan klinikal yang berbeza, termasuk tumor malignan. Pasukan penyelidik menerangkan sistem itu sebagai model pengimejan perubatan 'generalis', bertujuan untuk menyediakan analisis peringkat pakar.
Latihan untuk Damo Radar melibatkan set data berskala besar imbasan CT yang dipasangkan dengan laporan klinikal yang sepadan. Model itu mencapai purata kawasan di bawah lengkung (AUC) 0.913 berdasarkan ujian merentas hampir 40,000 peperiksaan dunia sebenar.
Butiran sumber: newsbytesapp.com ↗
Mengapa ia penting
Pengenalan Damo Radar mewakili langkah penting dalam penerapan model bahasa penglihatan kepada diagnostik perubatan. Dengan mencapai kawasan di bawah lengkung (AUC) 0.913 merentasi hampir 40,000 peperiksaan dunia sebenar, model itu menunjukkan prestasi tahap tinggi dalam mengenal pasti patologi perut yang kompleks. Perkembangan ini terkenal kerana potensinya untuk membantu ahli radiologi dengan mengautomasikan saringan imbasan CT, berpotensi mengurangkan masa diagnostik dan meningkatkan pengesanan keabnormalan yang mungkin terlepas. Sifat sumber terbuka model tersebut membolehkan penyelidikan dan integrasi yang lebih luas ke dalam sistem penjagaan kesihatan, walaupun pelaksanaan praktikal dalam tetapan klinikal masih tertakluk kepada kelulusan kawal selia dan pengesahan selanjutnya. Pasukan penyelidik mencadangkan bahawa metodologi latihan asas akhirnya boleh diperluaskan kepada bentuk pengimejan perubatan lain, yang berpotensi meluaskan skop diagnostik dibantu AI melangkaui kesihatan perut.
Keluaran Damo Radar menyerlahkan keupayaan model bahasa penglihatan yang semakin meningkat untuk mengendalikan tugas perubatan khusus. Dengan mengautomasikan analisis imbasan CT kompleks, model ini bertujuan untuk menyokong profesional penjagaan kesihatan dalam mengenal pasti penyakit dengan lebih cekap.
Ketersediaan sumber terbuka model adalah faktor penting, kerana ia membolehkan penyelidik dan pembangun membina seni bina sedia ada. Ini boleh mempercepatkan pembangunan alat yang serupa untuk modaliti pengimejan perubatan lain.
AUC yang dilaporkan sebanyak 0.913 menunjukkan tahap ketepatan diagnostik yang tinggi, yang penting untuk penggunaan klinikal. Walau bagaimanapun, impak praktikal akan bergantung pada keberkesanan model itu boleh disepadukan ke dalam aliran kerja klinikal sedia ada dan prestasinya dalam persekitaran tidak terkawal dunia sebenar.
Mekanisme Interaktif: Bagaimana Ia Berfungsi Sebenarnya
Terokai teknologi asas di sebalik pembangunan ini secara interaktif.
Which component of an AI application is the machine-learning model itself?
Apa yang perlu ditonton seterusnya
Fokus utama pemerhati adalah peralihan model daripada penyelidikan kepada aplikasi klinikal. Perkara utama yang tidak diketahui termasuk laluan kawal selia khusus yang diperlukan untuk penggunaannya dalam pelbagai bidang kuasa penjagaan kesihatan dan ketersediaan model untuk penyepaduan oleh pembangun perisian perubatan pihak ketiga. Selain itu, walaupun AUC yang dilaporkan sebanyak 0.913 adalah tinggi, pengesahan klinikal bebas dalam populasi pesakit yang pelbagai akan diperlukan untuk mengesahkan kebolehpercayaannya merentas persekitaran hospital dan peralatan pengimejan yang berbeza. Kemas kini masa hadapan mungkin menjelaskan sama ada model itu akan disepadukan ke dalam platform diagnostik sedia ada atau jika ia memerlukan infrastruktur kendiri.
Nantikan pengumuman mengenai syarat pelesenan khusus bagi keluaran sumber terbuka dan sebarang dokumentasi yang berkaitan untuk pembangun.
Pantau kajian bebas atau penerbitan semakan rakan sebaya yang mengesahkan prestasi model di luar set data latihan dan ujian awal yang disediakan oleh Akademi Damo.
Perhatikan cara institusi penjagaan kesihatan atau syarikat teknologi perubatan memilih untuk melaksanakan atau menyesuaikan model ini untuk kegunaan klinikal, terutamanya mengenai protokol keselamatan dan pengawasan diagnostik.