通过随机合成与解耦实现医学影像基础模型预训练的"免费午餐"
定量方法
2026-02-16 v1 人工智能
机器学习
摘要
医学影像基础模型（MIFM）已在广泛临床任务中展现出巨大潜力，但其开发受制于稀缺、异构且高昂的大规模标注数据集。本文提出 RaSD（Randomized Synthesis and Disentanglement），一个完全基于合成数据的可扩展预训练框架。通过对解剖结构和外观变异建模为随机高斯分布，RaSD 让模型暴露于充足的多尺度结构和外观扰动中，迫使其依赖于不变且与任务相关的解剖线索，而非数据集特定纹理，从而实现稳健且可迁移的表征学习。我们在 120 万 3D 体素和 960 万 2D 图像上进行预训练，并在 6 种影像模态、48 个数据集和 56 个下游任务中进行了广泛评估。在所有评估的下游任务中，RaSD 均一致优于从头训练的模型，在 17 个任务中实现最佳性能，而在大多数其他任务中保持与在大规模真实数据集上预训练的模型相当。这些结果表明合成数据本身就足以驱动稳健的表征学习。我们的发现确立了医学 AI 的范式转变，表明合成数据可作为可扩展、隐私保护且临床可推广的基础模型的"免费午餐"。
引用
@article{arxiv.2602.12317,
title = {Free Lunch in Medical Image Foundation Model Pre-training via Randomized Synthesis and Disentanglement},
author = {Yuhan Wei and Yuting He and Linshan Wu and Fuxiang Huang and Junlin Hou and Hao Chen},
journal= {arXiv preprint arXiv:2602.12317},
year = {2026}
}