诊断仅47毫秒，超轻量级肺癌诊断 AI 模型，无需GPU，笔记本可运行

摘要：近年来，基于深度学习模型训练的人工智能备受关注，并推动了多个研究领域的创新。理论上，如果深度学习模型基于海量数据（例如一百万张图像）进行训练，其性能将超越传统技术甚至人类专家。

编辑 | 白菜叶

想象一下，用普通的笔记本电脑而不是超级计算机来诊断癌症，听起来像科幻小说吗？

东京科学研究所（Science Tokyo）的 Kenji Suzuki 教授的研究团队开发的 AI 模型，使这一遥不可及的设想变成了现实。

该团队在 2024 年北美放射学会 (RSNA) 年会上发布了一款超轻量级深度学习模型，该模型无需依赖昂贵的 GPU 服务器与海量数据集，即可辅助肺癌诊断。

该模型采用基于 MTANN 的独特深度学习方法开发，仅需一台标准笔记本电脑即可进行训练和测试，实现了曾经需要整个数据中心才能完成的任务。

近年来，基于深度学习模型训练的人工智能备受关注，并推动了多个研究领域的创新。理论上，如果深度学习模型基于海量数据（例如一百万张图像）进行训练，其性能将超越传统技术甚至人类专家。

大多数模型都依赖于大数据，而 Suzuki 团队开发的人工智能模型却独具特色——与传统的大规模人工智能模型不同，它不需要完整的医学影像集。相反，它直接从计算机断层扫描 (CT) 图像中提取的单个像素进行学习。这一策略显著减少了所需病例数量，从数千例减少到仅 68 例！

虽然仅基于少量数据进行训练，该模型的表现仍超越了 Vision Transformer 和 3D ResNet 等最先进的大规模 AI 系统，达到了曲线下面积 (AUC) 0.92 的判别性能（而传统的 SOTA 模型的 AUC 值分别为 0.53 和 0.59）。

训练完成后，在标准笔记本电脑上，整个训练过程仅需 8 分 20 秒，该模型能够以每例 47 毫秒的惊人速度生成诊断预测。

「这项技术不仅仅是为了让人工智能更便宜或更快速。」Suzuki 说道，「它还能让强大的诊断工具触手可及，尤其是针对那些难以获取训练数据的罕见疾病。此外，它还能大幅降低数据中心开发和使用人工智能的电力需求，并解决我们可能因人工智能应用的快速增长而面临的全球电力短缺问题。」

该团队的研究成果曾在 2024 年 RSNA 年会上荣获「优等奖」（Cum Laude Award），在 1312 场报告会中，仅有1.45%的团队获此殊荣。

关于 Kenji Suzuki

Suzuki 一直深耕于生物医学人工智能领域，于 21 世纪初率先发明了 MTANN 技术（已用于该研究）。这是他最早开发和改进的深度学习模型之一。

论文链接：

在 25 年的研究生涯中，Suzuki 在其领域做出了重大贡献，发表了 400 多篇论文，并拥有 40 多项专利，其中大部分已获得授权并实现商业化。

除此之外，他近期的成就还包括担任第 39 届 AAAI 人工智能年会的分会主席。他于 2024 年凭借其研究成果荣获 RSNA 的两项最高荣誉。此外，他还被公认为全球顶尖 2% 的科学家之一。

Suzuki 教授持续引领人工智能与医学成像交叉领域的开创性研究，积极促进跨学科合作，不断突破人工智能在临床实践中的应用界限。他的团队在紧凑型高性能诊断模型方面的工作，充分展现了创新思维与实际应用相结合如何弥合工程与医学之间的差距。

凭借充满活力的研究环境和强大的合作伙伴网络，Suzuki 不仅推动了生物医学人工智能领域的发展，而且还帮助塑造了下一代转化医学技术。