人工智能算法的性能依赖于高质量数据。然而，由于患者隐私保护以及高质量医疗数据，尤其是罕见病数据的匮乏，极大地限制了人工智能在医疗领域的广泛应用。

近日，温州医科大学附属眼视光医院联合北京大学、澳门科技大学等国内外合作机构研发了世界首个通用大型生成式医学影像模型（MINIM），用于生成海量合成影像数据，为医学影像领域的大模型训练注入了“新燃料”，为下游医疗健康实施应用指明了一条崭新的道路。该研究成果已发表于国际顶尖学术期刊Nature Medicine 《自然医学》。

MINIM（医学图像合成生成系统）示意图

温州医科大学张康教授作为文章的共同通讯作者介绍道，本研究通过少量高质量的医学影像与报告配对数据训练模型，实现了跨器官、多模态的海量高质量医学影像及报告的生成。

MINIM不仅有效解决了患者隐私保护问题，还克服了高昂的数据标注成本等医学大模型训练中的关键瓶颈。研究结果显示，MINIM生成的合成数据在医生主观评测和多项客观检验指标上均达到国际领先水平，在临床应用中展现了重要的参考价值。特别值得一提的是，研究团队通过强化学习技术为MINIM引入了自我优化机制，模型能够根据医生评分不断提升生成能力。这一递归优化路径为医学影像数据的合成与应用开辟了新方向。

文章共同通讯作者，温州医科大学瞿佳教授指出，这项研究构建了一个跨器官、多模态的生成式医学影像模型，为缓解传统医疗数据获取与标注的困境提供了创新方案。在眼科，对于一些临床表现复杂、诊断困难的疾病，诊断模型依托高质量数据进行诊断、评估和科研等均显示出卓越的效果，这也为精准医疗的推进及个性化治疗的探索提供了强有力的技术支撑。

文章共同通讯作者, 北京大学未来技术学院助理研究员王劲卓指出，MINIM具有卓越的泛化能力，能够扩展至其他器官和成像模态的数据生成领域。对于未参与模型训练的脑部MRI数据，通过在MINIM上微调，显著提升了这类数据的生成性能。作为生成式医学影像的基础模型，MINIM代表了通用医学人工智能领域的一项重要进展。

MINIM生成的合成数据展现了广泛的应用前景。研究表明，这些数据既可以单独作为训练集用于构建医学影像大模型，也可以与真实数据结合，显著提高模型在实际任务中的性能。在疾病诊断、医学报告生成及自监督学习等关键领域，使用MINIM生成的合成数据训练模型，获得了显著的性能提升。此外，该模型已在肺部CT影像的EGFR突变预测及生存分析、乳腺MRI影像的HER2突变阳性预测等场景中验证了其临床应用价值。