在这项研究中，研究人员利用包含11,467张异常放射扫描图像的大型数据集，开发了一种新型的基础模型。该模型能够在三个不同的应用场景中，从四个不同队列中识别出与解剖部位预测、恶性肿瘤诊断和患者预后相关的独特模式。相较于当前领域内的其他方法，这种新方法在数据有限的情况下依然展现出强大的性能。
Suraj Pai教授表示，图像生物标志物的研究通常需要针对具体的研究问题量身定制，而这项研究则有望提供更加准确和有效的调查手段。尽管AI方法的效率不断提高，但可靠性和可解释性仍然是关键挑战。研究团队的方法在内在差异和获取差异上保持稳定，并且基础模型所确定的模式与潜在的生物学机制密切相关，特别是与免疫相关的通路。
Hugo Aerts进一步指出，研究结果表明，在训练深度学习网络时，即使数据有限，基础模型也能在医学研究中展现出显著的有效性。特别是在识别癌症相关应用场景的可靠成像生物标志物方面，基础模型显示出了巨大的潜力。这一发现不仅有望推动成像生物标志物在临床应用中的广泛转化，还可能扩展到其他临床领域。
