医学基础模型综述

基础模型(FMs)是在大规模数据集上训练的大规模深度学习模型,通常使用自监督学习技术。这些模型作为广泛下游任务(包括医学和医疗保健领域)的通用基础。FMs在多个医疗保健领域已展现出显著成功。然而,该领域现有的综述并未全面涵盖FMs取得重大进展的所有领域。在本综述中,我们全面回顾了医学中的FMs,重点关注其演进、学习策略、旗舰模型、应用及相关挑战。我们审视了诸如BERT和GPT系列等著名FMs如何改变医疗保健的各个方面,包括临床大语言模型、医学图像分析和组学研究。此外,我们提供了FM赋能医疗保健应用的详细分类,涵盖临床自然语言处理、医学计算机视觉、图学习以及其他生物学和组学相关任务。尽管FMs具有变革潜力,但它们也带来了独特的挑战。本综述深入探讨了这些挑战,并强调了开放的研究问题和经验教训,以指导研究人员和从业者。我们的目标是提供对FMs在健康领域能力的宝贵见解,促进负责任的部署并减轻相关风险。