训练仅8分钟，诊断仅需47毫秒，超轻量级肺癌诊断 AI 模型，无需GPU，个人笔记本可运行
仅用于站内搜索，没有排版格式，具体信息请跳转上方微信公众号内链接
将ScienceAI设为星标
第一时间掌握
新鲜的AIforScience资讯
编辑|白菜叶
想象一下，用普通的笔记本电脑而不是超级计算机来诊断癌症，听起来像科幻小说吗？
东京科学研究所（ScienceTokyo）的KenjiSuzuki教授的研究团队开发的AI模型，使这一遥不可及的设想变成了现实。
该团队在2024年北美放射学会(RSNA)年会上发布了一款超轻量级深度学习模型，该模型无需依赖昂贵的GPU服务器与海量数据集，即可辅助肺癌诊断。
该模型采用基于MTANN的独特深度学习方法开发，仅需一台标准笔记本电脑即可进行训练和测试，实现了曾经需要整个数据中心才能完成的任务。
近年来，基于深度学习模型训练的人工智能备受关注，并推动了多个研究领域的创新。理论上，如果深度学习模型基于海量数据（例如一百万张图像）进行训练，其性能将超越传统技术甚至人类专家。
大多数模型都依赖于大数据，而Suzuki团队开发的人工智能模型却独具特色——与传统的大规模人工智能模型不同，它不需要完整的医学影像集。相反，它直接从计算机断层扫描(CT)图像中提取的单个像素进行学习。这一策略显著减少了所需病例数量，从数千例减少到仅68例！
虽然仅基于少量数据进行训练，该模型的表现仍超越了VisionTransformer和3DResNet等最先进的大规模AI系统，达到了曲线下面积(AUC)0. 92的判别性能（而传统的SOTA模型的AUC值分别为0. 53和0.59）。
训练完成后，在标准笔记本电脑上，整个训练过程仅需8分20秒，该模型能够以每例47毫秒的惊人速度生成诊断预测。
「这项技术不仅仅是为了让人工智能更便宜或更快速。」Suzuki说道，「它还能让强大的诊断工具触手可及，尤其是针对那些难以获取训练数据的罕见疾病。此外，它还能大幅降低数据中心开发和使用人工智能的电力需求，并解决我们可能因人工智能应用的快速增长而面临的全球电力短缺问题。」
该团队的研究成果曾在2024年RSNA年会上荣获「优等奖」（CumLaudeAward），在1312场报告会中，仅有1. 45%的团队获此殊荣。
关于KenjiSuzuki
Suzuki一直深耕于生物医学人工智能领域，于21世纪初率先发明了MTANN技术（已用于该研究）。这是他最早开发和改进的深度学习模型之一。
论文链接：https ://aapm. onlinelibrary.wiley. com/doi/10. 1118/1. 1580485
在25年的研究生涯中，Suzuki在其领域做出了重大贡献，发表了400多篇论文，并拥有40多项专利，其中大部分已获得授权并实现商业化。
除此之外，他近期的成就还包括担任第39届AAAI人工智能年会的分会主席。他于2024年凭借其研究成果荣获RSNA的两项最高荣誉。此外，他还被公认为全球顶尖2%的科学家之一。
Suzuki教授持续引领人工智能与医学成像交叉领域的开创性研究，积极促进跨学科合作，不断突破人工智能在临床实践中的应用界限。他的团队在紧凑型高性能诊断模型方面的工作，充分展现了创新思维与实际应用相结合如何弥合工程与医学之间的差距。
凭借充满活力的研究环境和强大的合作伙伴网络，Suzuki不仅推动了生物医学人工智能领域的发展，而且还帮助塑造了下一代转化医学技术。
相关文献：
参考内容：https ://www. eurekalert.org/news-releases/1086388
人工智能×[生物神经科学数学物理化学材料]
「ScienceAI」关注人工智能与其他前沿技术及基础科学的交叉研究与融合发展。
欢迎关注标星，并点击右下角点赞和在看。
点击阅读原文，加入专业从业者社区，以获得更多交流合作机会及服务。
