本文刊登于Big Data Mining and Analytics（《大数据挖掘与分析（英文）》）。
背景介绍
大模型在许多自然语言处理任务上取得了优异的性能，这引起了其他领域研究人员的兴趣。一些研究人员开始将大模型引入医学报告生成、医学图像诊断、医学图像问答等，旨在构建高效可用的基于大模型的医学图像诊断管道。但当前仍然有一些问题值得关注，包括（1）大规模数据集和指标的统一构建；（2）多模态医疗思维链、智能体的应用；（3）医疗诊断的幻觉问题等。同时该领域缺乏对医学图像的全面总结，这使得研究人员很难了解该领域的进展。为此，本文首次全面调查大模型在医学图像领域应用，希望能促进该领域的发展。
成果简介
本研究充分回顾了在医学图像领域基于大模型的方法研究，并构建了全新的分类框架，包括零阶段调整、一阶段调整和多阶段调整，为医学图像领域的大模型提供了统一的视角，充分介绍了当前医学图像领域的研究进展和特点。此外，本文讨论了当前医学图像领域需要解决的挑战以及解决方案，包括大规模数据集的构建、如何更新大模型的医学知识以及大模型在医学图像上的幻觉问题和隐私问题。同时指出了当前的一些潜在的未来研究方向，包括医学图像任务评估指标的统一、多语言、多模态的医疗思维链和基于大模型智能体的医学图像诊断系统等。该研究通过对这些进展和方向的深入探讨，为未来医学图像领域的研究人员提供有价值的参考，并促进大模型在该领域的充分应用。
课题组简介
本研究由 中南大学覃立波课题组完成，课题组主要研究方向为人工智能、自然语言处理与大模型等。
文章来源
期刊简介
自创刊以来，Big Data Mining and Analytics得到业内专家、学者广泛关注。期刊2023年影响因子7.7，在所属的人工智能、信息系统领域均位居Q1区。根据爱思唯尔最新公布的CiteScore（引用分数），BDMA 2023年CiteScore为20.9，位列全球计算机领域前2%。2022年，期刊入选CCF高质量科技期刊分级目录，位居T2类。2024年入选“中国科技期刊卓越行动计划”英文梯队期刊项目。
期刊主页：
投稿链接：
https://mc03.manucentral.com/bdma
