大规模临床实践中的天然智能：面向部署高效的视网膜基础模型
计算机视觉与模式识别
2025-12-17 v1
摘要
当前视网膜基础模型受限于缺乏真实临床背景的精选研究数据集，并需要针对每个应用进行大量的任务特定优化，限制了其在资源有限环境中的部署效率。本文表明，这些障碍可通过从真实世界医疗实践中直接构建临床天然智能来克服。我们的关键洞察是，大规模远程诊疗项目——其中专家中心在分布式设施之间提供远程咨询——代表了自然学习临床图像解释的天然储备库。我们提出了 ReVision，一种从十余年间跨越 162 家医疗机构的中国范围内积累的 485,980 张彩虹色素底视网膜照片及其相应诊断报告中学习的视网膜基础模型。通过在 27 项眼科基准测试中进行广泛评估，我们展示了 ReVision 在最小化本地资源需求方面实现了部署效率。无需任何任务特定训练，ReVision 在 12 项公开基准和 3 项独立临床队列上实现零样本疾病检测，平均 AUROC 达 0.946 和 0.952。当可进行最小化适应时，ReVision 在需要极少数可训练参数和标记样本的条件下，匹配广泛微调的替代方案。所学表示也能有效迁移到新的临床站点、影像域、影像模态和系统性健康预测任务中。在 33 名眼科医生的前瞻性读者研究中，ReVision 的零样本辅助提高了所有经验水平的诊断准确率 14.8%。这些结果表明，可无需进一步标注即可从临床档案中直接提取临床天然智能，以构建适用于各种资源受限环境的医疗 AI 系统。
引用
@article{arxiv.2512.14499,
title = {Native Intelligence Emerges from Large-Scale Clinical Practice: A Retinal Foundation Model with Deployment Efficiency},
author = {Jia Guo and Jiawei Du and Shengzhu Yang and Shuai Lu and Wenquan Cheng and Kaiwen Zhang and Yihua Sun and Chuhong Yang and Weihang Zhang and Fang Chen and Yilan Wu and Lie Ju and Guochen Ning and Longfei Ma and Huiping Yao and Jinyuan Wang and Peilun Shi and Yukun Zhou and Jie Xu and Pearse A. Keane and Hanruo Liu and Hongen Liao and Ningli Wang and Huiqi Li},
journal= {arXiv preprint arXiv:2512.14499},
year = {2025}
}