面向超声临床应用的全开放且可泛化基础模型
计算机视觉与模式识别
2025-09-16 v1
摘要
人工智能(AI)通过整合多源数据有效学习超声表示以推动临床护理,具有巨大潜力。然而,现实临床环境中大规模标记数据稀缺且任务特定模型的有限泛化性阻碍了开发通用临床 AI 模型的进展。本研究提出 EchoCare,这是一种面向通用临床用的超声基础模型,通过在我们精选的、公开可用、大规模数据集 EchoCareData 上进行自监督学习开发。EchoCareData 包含 450 万张超声图像,来自 5 大洲 23 个国家,由多种不同成像设备获取,涵盖多中心、多设备和多民族的全球队列。与采用现成视觉基础模型架构的先前研究不同,我们在 EchoCare 中引入了层次分类器,以实现像级和表示级特征的联合学习,捕获全局解剖背景和局部超声特征。EchoCare 在 10 个具有代表性的超声基准测试中表现优于最先进的对比模型,这些基准测试的诊断难度各不相同,涵盖疾病诊断、病灶分割、器官检测、地标预测、定量回归、图像增强和报告生成。该模型的代码和预训练模型已公开释放,可供微调和本地适应,支持扩展到额外应用。EchoCare 为推动开发多样化临床超声应用的 AI 技术提供了全开放且可泛化的基础模型。
引用
@article{arxiv.2509.11752,
title = {A Fully Open and Generalizable Foundation Model for Ultrasound Clinical Applications},
author = {Hongyuan Zhang and Yuheng Wu and Mingyang Zhao and Zhiwei Chen and Rebecca Li and Fei Zhu and Haohan Zhao and Xiaohua Yuan and Meng Yang and Chunli Qiu and Xiang Cong and Haiyan Chen and Lina Luan and Randolph H. L. Wong and Huai Liao and Colin A Graham and Shi Chang and Guowei Tao and Dong Yi and Zhen Lei and Nassir Navab and Sebastien Ourselin and Jiebo Luo and Hongbin Liu and Gaofeng Meng},
journal= {arXiv preprint arXiv:2509.11752},
year = {2025}
}