MRI 圖像因其複雜性和數據量大，一直以來都是醫學影像分析中的一大挑戰。爲了訓練大型語言模型（LLM）進行 MRI 分析，開發者不得不將獲取的圖像切割爲2D 圖像，這樣的處理雖然可行，但卻限制了模型對複雜解剖結構的分析能力，尤其是在腦腫瘤、骨骼疾病或心血管疾病等複雜案例中。

核磁共振 醫療 (2)

圖源備註:圖片由AI生成，圖片授權服務商Midjourney

不過，GE 醫療在今年的 AWS re:Invent 大會上發佈了行業首個全身3D MRI 研究基礎模型（FM），這標誌着 MRI 模型終於可以利用整個身體的3D 圖像。這一模型是基於超過173，000張來自19，000個研究的圖像構建的，開發團隊表示，通過這一新模型，訓練所需的計算能力比以往減少了五倍。

儘管 GE 醫療尚未將這一基礎模型商業化，目前仍處於研究階段，早期評估者馬薩諸塞總醫院（Mass General Brigham）即將開始實驗使用這一模型。GE 醫療的首席人工智能官帕裏・巴蒂亞(Parry Bhatia)表示，希望將這些模型賦予醫療系統的技術團隊，幫助他們更快速、經濟地開發研究和臨牀應用。

這一模型的出現將實現對複雜3D MRI 數據的實時分析。GE 醫療團隊在先進技術方面已有十年積累，其旗艦產品 AIR Recon DL 是一種深度學習重建算法，能幫助放射科醫生更快地獲取清晰圖像，並可將掃描時間縮短多達50%。此外，該3D MRI 模型可以支持圖像與文本的搜索、鏈接，並對疾病進行分割和分類，期望能爲醫療專業人員提供比以往更詳盡的掃描信息。

在數據處理上，開發團隊採用了 “調整與適應” 的策略，使模型能夠處理各種不同的數據集，即便有些圖像數據不完整，模型也能夠跳過缺失部分。此外，半監督的學生 - 教師學習方法也被運用，以提高模型在有限數據條件下的學習能力。

爲了解決構建此複雜模型過程中遇到的計算和數據挑戰，GE 醫療利用了亞馬遜的 SageMaker 平臺，結合高性能 GPU 的分佈式訓練能力，顯著提升了數據處理速度和模型訓練效率。這一切都在確保符合 HIPAA 等合規標準的前提下進行，以期爲患者提供更個性化的醫療服務。

目前，該模型雖然專注於 MRI 領域，但開發者們看到了向其他醫學領域擴展的巨大機會。未來，基於這一基礎模型，或許可以爲放射治療等領域提供更快、更高效的解決方案。

劃重點:  

🧠 GE 醫療推出行業首個全身3D MRI 研究基礎模型，顯著提高影像分析能力。  

💻 新模型通過調整數據處理策略，減少計算資源消耗，提高訓練效率。  

🚀 該模型未來有望拓展至其他醫學領域，助力更精準的醫療服務。