这项创新的研究由德国Tübingen大学，德国心理健康中心，Max Planck Institute的智能系统，Harbin Technology Institute和Penchen Institute的深圳市分支机构完成。它于2025年8月推出。ARXIV：2508.11032。这项研究的第一位作者是杨阳，他的几内亚和胡齐齐，讲师乔纳斯·盖普（Jonas Geiping）和托马斯·沃尔夫（Thomas Wolfers）。在现代医院，医生通常需要通过CT或MRI等医学图像来诊断疾病。这就像要求医生找到复杂的“地图”伤害一样困难。近年来，随着人工智能技术的发展，这一过程变得更加精确和更快，这比医生为自动识别和标记重要图像领域的“智能眼镜”装备了“智能眼镜”。今天有两种主要类型的医疗助手。一个被称为著名的SAM（段模型），“模型SEGMENTS“作为知识渊博的GP，但在特定的医学领域可能还不够专业。其他类型，例如Medsam和Medicosam，他们特别接受过医学图像的培训。像专家一样。他们在自己的领域中非常出色，但是他们可以以其他方式工作。但是，研究人员在某些方面都不是一个有趣的现象。诊断肝病时，心脏病学家比一般医生更精确。不结合他们？他们开发了一种称为Medsamix的技术。这是AI医疗团队咨询部分的信息，它允许合作的不同模型从他人的优势和劣势中学习。 1。关于传统模型融合的想法的进步。传统的AI模型培训就像对医生的培训一样。它需要大量时间，数据和计算机资源。如果您想改善训练有素的模型，通常需要不满。这个过程不仅需要很多时间，而且还需要工作，而且还可以使模型忘记他们以前学到的东西。这被称为学院的“毁灭性遗忘”。调查人员的MEDSAMIX方法完全破坏了这一传统想法。不需要训练任何模型，而是通过智能“组合模型”结合不同现有模型的优势。这就像心脏病专家，图像专家或一名坐在一起咨询的普通专业人员，每个人都可以肋骨是做得更好的事情，最终提出了更精确的诊断。更令人惊讶的是，该过程是完全自动化的。研究人员开发了一种智能优化算法，可以自动找到最佳的模型组合方法。该算法尝试各种组合，以及有经验的医院经理，可以通过测试和错误找到最有效的协作模型。具体而言，MEDSAMIX使用一种称为“ Optiomizaczero Order Ion”的方法。传统优化方法需要计算复杂的梯度信息，但是零订单优化类似于“证明侵蚀学习”。我们尝试使用不同的方法来组合模型，观察结果的质量并基于反馈来调整策略。这种方法的优点是，您不需要对模型内部结构的内部结构有深入的了解d找到最佳解决方案的最佳解决方案。 2。AI模型的复杂层次融合策略的内部结构就像是一个复杂的建筑物，具有许多层次和组成部分。级别在信息处理中起着不同的作用。例如，基础特征提取层负责识别图像的基本特征，而高级别的语义理解层负责理解这些特征的含义。因此，仅对整个模型的统一处理是不够的，并且必须采用不同级别的不同合并策略。 MedSamix介绍了“分层粒度”的概念，以使研究人员在必要时将几个相邻水平组合在一起，然后独立选择每个组的最佳融合方法。在进行大量咨询时，就像决定要邀请哪些专家，除了决定哪个阶段，每个专家还将扮演主要角色。该系统接受了多种融合方法，其中包括任务算术，扎带组合，线性组合，球形线性插值等。每种方法都有自己的优势。该任务的算术方法非常适合将经验保留在不同的模型中。纽带的融合可以通过模型参数解决冲突问题。线性耦合方法是简单有效的。 球面线形补间は、パラメーター空间に滑らかな迁移パスを见つけることができます。3。双模式优化满足各种需求。考虑到医疗实践中的几种需求方案，研究团队为MEDSAMIX设计了两种工作模式：单个任务优化模式和多个任务优化模式。单任务优化模型主要针对专业的医疗场景。当医院部门需要一位在诊断特定疾病的AI助手时，这种模式可以工作。该系统优化针对此特定任务的专业模型的组合方法确保该领域的最高级别。准确性。例如，如果您想优化肝肿瘤的识别，则可以找到该任务模型组合的最佳方法，从而允许AI达到肝图像分析中的专家水平。多单位优化模型更适合全面的医院需求。这种模式需要更复杂的问题。如何在多个不同的医疗任务中保持出色的表现？这就是如何培养必须在心脏病诊断中良好工作的优秀居民，但在肺部疾病，肾脏问题等方面表现良好。为了解决多任务优化的挑战，研究团队采用了一种全球优化方法。该方法来自经济理论，中心思想发现了多个目标之间的最佳平衡。在对医学图像的分析中，这意味着找到模型的组合，这些模型在单个任务中可能不是绝对是绝对的，bUT所有任务的综合性能都是最佳的。 4.整体实验验证为了验证MEDSAMIX的有效性，研究小组迄今进行了最完整的医学图像分割测试。他们选择了25种不同的医学图像分割任务，这些任务涵盖了从大脑到腹部器官，包括CT，磁共振，背景摄影和其他图像方法的各种医学图像。这些测试任务的选择非常有代表性。例如，它们包括脑肿瘤分割任务。这需要对复杂大脑结构中的肿瘤极限进行精确鉴定。囊泡分割任务需要在细血管网络中标记。腹部器官的分割需要同时处理多个器官，例如肝脏，肾脏，脾脏和胰腺。每个任务都代表了分析医学图像的关键挑战。实验ntal设计遵循严格的科学标准。对于每个数据集，研究人员使用80％的数据作为一组测试，以确保评估结果的可靠性。其余20％的数据用作Medsamix在寻找最佳组合时使用的校准集。该部门保证了结果的证据和可靠性。与现有方法的比较结果令人印象深刻。在一次任务评估中，MedSamix与最佳现有方法相比，平均以6.67％的速度提高了性能。在多任务资格中，平均绩效提高达到4.37％。更重要的是，Medsamix在25个任务方面取得了重大改进。展示其广泛的适用性和稳定性。 5。技术创新的深厚重要性。 Medsamix的成功反映在改进的数字中，更重要的是，开辟了新的想法来优化AI模型。传统的模型改进方法生成Ally需要数据记忆，网络结构和长期培训。这个过程不仅昂贵，而且还有许多不确定的因素。相比之下，MEDSAMIX的“无训练”特征造成了革命性的变化。已经表明，现有模型的组合比仅培训新模型可以巧妙地取得更好的结果。这就像发现一种新的“炼金术”：生产更有价值的产品，可以从现有资源中改进，而无需支出原材料或复杂的过程。从计算机效率的角度来看，MEDSAMIX优势更为明显。研究人员报告说，血管分割任务仅需70分钟即可完成120个优化测试，并且可以使用两个GPU完成，并且每个GPU都需要8 GB的内存。传统模型培训方法通常需要八个高端GPU连续几天工作，并完成类似的改进。效率的这一巨大差异Iency使更多的研究和医疗机构可以负担得起开发和实施AI技术。 6。对医疗AI的发展的影响。 MEDSAMIX的发现揭示了医疗AI领域的重要趋势。这是“专业”转换为“调整”。过去，人们倾向于相信，接受特定任务的专用模型应该比典型模型更好。但是，这项研究表明，在医学图像分析的复杂任务中，单个专用模型可能会因过度努力而失去其泛化能力。真正的解决方案是允许不同的经验模型协作。这与现代医学实践中跨学科团队的协作模型非常相似。在对重要疾病的诊断和治疗中，多名专家通常需要参与医生，医生，病理学家和其他人对图像的诊断和处理，每个人都提供自己的EX经验，最终说明了精确的诊断和治疗计划。这种协同作用的趋势具有关键准则对医学AI的未来发展的重要性。与其在“通用”系统的培训中付出很多努力，不如提醒人们，最好专心开发更好的调整机制，以便几种现有的专用系统可以有效地协作。这不仅允许您完全使用现有的技术成就，而且可以大大降低开发成本和技术阈值。 7.实际应用的郊外MedSamix技术在实际医疗方案中具有广泛的应用视角。对于大型和整体医院，该技术有助于建立一个统一的医学图像分析平台，同时满足多个领域的需求。心脏病学，神经病学，胃肠病学和其他部门可以在没有N的情况下获得该平台方向的诊断支持EED将为每个部门单独实施IA的不同系统。对于中小型卫生机构，MEDSAMIX技术的价值更为明显。 While it istas organizaciones generalmente carecen de técnicos suficientes y recursos informáticos para capacitar a modelos de IA dedicados, la tecnología Medsamix le permite integrar rápidamente los modelos de código abierto existentes y crear sistemas de diagnóstico de IA que satisfagan sus necesidades.这大大降低了在主要卫生机构中应用AI技术的阈值。 Telesalud和移动医疗服务也从这项技术中受益。 Medsamix no Requiere una gran cantidad de recursosinformáticospara para a los Modelos，por lo lo losásfásfácildesplegar en dispositivos d despositivos d despositivos d borde y y y y y y diagnopoiosdeairnósticodeairmistico asistidos por a po a pace a alta alata al paceentes a pacientes a pacientes a pacientes remotos。这对于解决医疗资源不平等的问题非常重要。 8。DesafíosTecnol最dilecciones futuras futuras medsamix ha sidounéxitoIncreíble，pero el equipo de respecto deInvestionaciónseñalónaalónalófrancamentelosdesafíthat面对技术发展。首先，询问数据的多样性。该实验涵盖了25种不同的医学图像分割任务，但是医学图像的复杂性远远超出了此范围。将来，我们将使用更大，更多样化的数据集研究技术的普遍性。第二个问题是模型的兼容性。当前的MEDSAMIX框架主要针对SAM系列模型进行了优化，其他架构模型可能需要进行相应的调整。随着AI技术的快速发展以及新模型体系结构的持续出现，如何保持框架的多功能性和未来观点是一个持续的挑战。还可以在算法优化效率方面有更大的提高。尽管效率得到了显着提高的to传统模型之间的方法，当处理大型模型组合时，最佳配置搜索过程需要一定时间。研究人员正在研究更复杂的优化算法，以进一步减少优化时间。 9。对AI技术的发展有更广泛的影响。 Medsamix的成功不仅在医学图像分析领域非常重要，而且其设计概念和技术路线在整个AI领域的发展中也具有令人兴奋的价值。这项研究表明，“模型协作”可以促进“模型竞争”的技术进步。在自然语言处理领域，研究人员开始探索类似的想法，结合了专门处理不同语言任务以获得更好和不可或缺的性能的模型。在计算机视觉的领域，医学图像分析的内部，该模型融合模型也已应用于多个SCenarios，例如自动驾驶和工业测试。从更宏观的角度来看，Medsamix体现了“合作智能”的发展模型。该模型强调了通过不同的AI系统之间的协作，而不是仅仅追求单个系统的性能限制，从而强调了智能的总体改善。这个想法与人类社会中的劳工合作模型非常相似，可以代表人工智能技术发展的重要方向。 10。结论：德国研究团队的MEDSAMIX技术在一个智能合作的新时代，确定了AI发展的新可能性。 IFEDSTENS可以巧妙地调整功能，而不是通过更多数据来改善性能，而是更强大的计算机功率或更复杂的模型结构。它使我们能够通过罐头症行使单体以外的集体智慧。这种“未经培训的模型融合”的方法就像介绍新的Evolu人工智能世界中的一种机制。 AI的传统演变需要长时间的密集培训过程，Medsamix表明，AI系统可以通过合理的组合和调整迅速获得新的特征。这不仅为医疗AI的发展开辟了新的途径，而且为整个AI技术的可持续发展提供了新的想法。这项技术对卫生行业尤为重要。目前，预计AI的医疗应用将打破技术和成本障碍，从而使更多的医疗服务提供者享受AI技术提供的舒适度。更重要的是，结合了更实际，更有效的技术开发路线。并非所有医院都需要从头开始建立AI能力，但可以与现有技术一起使用。据他们说，您很快相信适应您需求的智能解决方案。随着这项技术的更多改进和促进，重新相信未来健康不再是孤立和专用的工具，而是一个智能网络，可以合作为医生和患者提供更精确，全面和有效的健康服务。这不仅是一种技术进步，而且是卫生服务模型中的创新，这表明我们进入了真正智能医疗的新时代。有兴趣的读者可以访问ARXIV：2508.11032，以获取完整的研究工作，以详细了解这种创新技术和实验结果的详细实施。研究团队还提供了与代码和模型相关的模型PESO和拥抱夹平台，为随后的研究和应用提供了便利。 P AQ1：什么是medsamix？与AI的传统医学模型有何不同？答：MedSamix是由德国研究团队开发的医学图像细分技术。它最大的特征是它可以改善完美无需再次培训的人工智能模型。传统方法需要收集大量数据以返回培训模型。这需要很长时间和大量工作。 Medsamix巧妙地结合了各种现有的AI模型（例如通用的SAM和专门MEDSAMS），以咨询不同的专业医生，从优势和劣势中学习，并共同努力以比单个模型共同实现更好的诊断结果。 P2：CUARE MEDSAMIX技术的实际影响？答：实验结果非常令人惊讶。研究人员对25个不同的医学图像分割任务进行了整体测试，这些任务涵盖了从脑肿瘤到腹部器官的各种类型医学图像。结果表明，在单个任务的专用应用中，Medsamix平均以6.67％的最佳实践提高了性能。在需要多个任务的情况下，平均绩效提高可达到4.37％。更多的重要的是，这项改进已在25项任务中得到验证，并证明了技术的广泛适用性。 P3：医院使用MEDSAMIX技术的要求是什么？会有费用吗？答：MEDSAMIX的主要优点之一是其阈值和技术成本的大幅降低。与Ochigh-end Ho GPU必须工作几天的传统方法不同，Medsamix仅需要定期2-4 GPU，并且可以在短短几分钟内完成优化。例如，在血管分割的任务中，120个优化测试仅需70分钟。每个GPU仅需要8 GB的内存。在不记住长期数据或培训的情况下，医院可以直接使用并优化现有的开源AI模型。
特殊声明：先前的内容（包括照片和视频（如果有），如有）已由网络自我媒体平台的用户收费和发布。该平台仅提供信息存储服务CES。
注意：以前的内容（包括PITS在内的ures和视频ACTIS），NetEase Hao的用户已由社交媒体平台NetEase Hao收取和发布，仅提供信息存储服务。
近期评论