用于内镜与病理图像的基础模型：在胃炎中的应用
机器学习
2024-09-02 v2 计算机视觉与模式识别
摘要
人工智能（AI）在医学诊断中的整合代表了管理上消化道（GI）癌症（全球癌症死亡的主要原因）的重大进步。特别是对于胃癌（GC），慢性炎症会引起黏膜变化，如萎缩、肠上皮化生（IM）、异型增生，最终导致癌症。通过内镜定期监测进行早期检测对于改善预后至关重要。基础模型（FM）是在多样化数据上训练并适用于广泛用例的机器或深度学习模型，为提升内镜及其后续病理图像分析的准确性提供了一种有前景的解决方案。本综述探讨了FM在内镜和病理成像中的最新进展、应用及挑战。我们首先阐明了这些模型的核心原理和架构，包括其训练方法以及大规模数据在开发其预测能力中的关键作用。此外，本工作讨论了新兴趋势和未来研究方向，强调了多模态数据的整合、更稳健和公平模型的发展，以及实时诊断支持的潜力。本综述旨在为研究人员和从业者提供一份路线图，以应对将FM纳入GC预防/管理临床实践的复杂性，从而改善患者预后。
引用
@article{arxiv.2406.18249,
title = {Foundational Models for Pathology and Endoscopy Images: Application for Gastric Inflammation},
author = {Hamideh Kerdegari and Kyle Higgins and Dennis Veselkov and Ivan Laponogov and Inese Polaka and Miguel Coimbra and Junior Andrea Pescino and Marcis Leja and Mario Dinis-Ribeiro and Tania Fleitas Kanonnikoff and Kirill Veselkov},
journal= {arXiv preprint arXiv:2406.18249},
year = {2024}
}