Google发布创新AI工具Path Foundation和Derm Foundation，突破医学影像解读瓶颈，开启病理学与皮肤科研究新纪元

每周跟踪AI热点新闻动向和震撼发展想要探索生成式人工智能的前沿进展吗？订阅我们的简报，深入解析最新的技术突破、实际应用案例和未来的趋势。与全球数同行一同，从行业内部的深度分析和实用指南中受益。不要错过这个机会，成为AI领域的领跑者。点击订阅，与未来同行！订阅：https://rengongzhineng.io/

全球多个专业领域，包括放射学、皮肤科和病理学，普遍面临医学影像专家解读资源短缺的问题。机器学习（Machine Learning, ML）技术有望通过支持工具减轻这一负担，帮助医生更准确、高效地解读这些影像。然而，机器学习工具的开发和实施通常受限于高质量数据、机器学习专业知识和计算资源的可用性。

一个促进机器学习在医学影像领域应用的方法是通过深度学习（Deep Learning, DL）构建特定领域模型，这些模型利用所谓的嵌入向量（embeddings）来捕捉医学影像中的信息。这些嵌入向量代表了图像中重要特征的预先学习理解，通过识别嵌入向量中的模式，与直接处理高维数据（如图像）相比，可以大幅减少训练高性能模型所需的数据量、专业知识和计算需求。

谷歌近期发布了两款针对医学影像领域的研究工具，Path Foundation和Derm Foundation，它们接受影像作为输入，生成专门针对皮肤科和数字病理学影像领域的嵌入向量。这些工具使研究人员可以获取自己影像的嵌入向量，并利用这些向量快速开发新的模型。

在“特定领域优化和自监督模型在组织病理学中的多样化评估”研究中，谷歌展示了自监督学习（Self-Supervised Learning, SSL）模型针对病理学影像的应用优于传统的预训练方法，并能高效地训练下游任务的分类器。该研究主要关注赫马托染色和伊红（H&E）染色的幻灯片，这是诊断病理学中的主要组织染色方法，使病理学家能在显微镜下观察细胞特征。通过使用SSL模型输出训练的线性分类器，其性能与在数量级更多标签数据上训练的先前深度学习模型相匹配。

谷歌还通过Derm Foundation工具应用深度学习解读皮肤病条件影像，包括最近的工作，旨在更好地泛化到新数据集。该工具因其针对皮肤科的特定预训练，拥有对皮肤病影像中存在的特征的潜在理解，可以快速开发用于分类皮肤病的模型。