GenMed：医学诊断任务的两两生成式重构

数据驱动的医学AI传统上被建模为从输入 $X$ 到输出 $Y$ 的判别式映射，通过一个学习函数 $f$ 实现，这种方法在实际临床环境中遇到的异构数据和多模态数据上难以泛化。在本工作中，我们提出一种根本不同的方法，生成式范式。我们使用扩散模型对联合分布 $P(X,Y)$ 进行建模，并将推理重新框定为测试时的最优问题。通过引导生成过程匹配观察到的输入，我们的框架在推理时支持灵活的、基于梯度的条件，而无需 Architectural changes 或重新训练，有效地支持任意且以前所未见的观察组合。广泛的实验表明在标准和跨模态医学图像分割、仅使用 2 或 4 个训练样本的 few-shot 分割、degraded-input 分割、从稀疏和部分观察完成形状，以及零样本应用中表现优异。为支持这些评估，我们收集并公开了一个来自 MedShapeNet 的大型文本-形状数据集。我们的结果突显了生成式联合建模作为医学AI通用、任务无关系统基础的灵活性。