Med-LEGO：通往通用医学图像诊断的编辑与适应框架

视觉基础模型的采用已成为计算机辅助诊断（CAD）中的常见实践。尽管这些基础模型为创建通用医学 AI 提供了可行方案，但隐私顾虑使得在多个领域和数据集上预训练或持续更新此类模型变得困难，导致许多研究聚焦于专家模型。为解决这一挑战，我们提出了 Med-LEGO，一个无需训练的框架，通过组合多个专家模型实现对通用 CAD 模型的无缝集成或更新，类似于拼装积木。Med-LEGO 通过引入奇异值分解（SVD）来增强 LoRA（低秩适配），以高效地捕获每个专家模型的领域专长，同时仅需最小的额外参数。通过简单的运算组合这些适配权重，Med-LEGO 实现了对特定诊断能力的易于集成或修改，而无需原始数据或重新训练。最终，合并后的模型可以进一步适应新的诊断任务，成为一种通用的通用模型。我们的广泛实验表明，Med-LEGO 在跨域和领域内医学任务上均优于现有方法，仅使用 0.18% 的完整模型参数。这些合并模型表现出更好的收敛性和对新任务的泛化能力，为通用医学 AI 提供了有效路径。