【环球网科技综合报道】9月14日消息，国际学术期刊《自然》杂志子刊《自然-通讯》于近日刊登了由商汤科技联合行业合作伙伴，结合生成式人工智能和医疗图像数据的多中心联邦学习发表的最新研究成果《通过分布式合成学习挖掘多中心异构医疗数据》。

论文提出一个基于分布式合成对抗网络的联邦学习框架DSL，可利用多中心的多样性医疗图像数据来联合学习图像数据的生成。该分布式框架通过学习得到一个图像数据生成器，它可以更灵活地生成数据，这些生成数据可以替代多中心的真实数据，用于下游具体机器学习任务的训练，并具备较强的可扩展性。

据介绍，DSL框架能够在保护数据隐私的同时巧妙解决医疗大模型训练中常见的数据量不足的瓶颈，可有效赋能MaaS的大模型训练，为医疗大模型的开发迭代带来重大突破。在这一技术的支撑下，商汤的“医疗大模型工厂”能够帮助医疗机构更高效、高质量地训练针对不同临床问题的医疗大模型，使大模型在医疗领域的应用半径得到进一步延伸。

值得一提的是，DSL框架已通过多个具体应用的验证，包括大脑多序列MRI图像生成及下游的大脑肿瘤分割任务，心脏CTA图像生成及下游的全心脏结构分割任务，多种器官的病理图像生成及细胞核实例分割任务等。在可扩展性方面，该方法还可支持多模态数据中缺失模态数据的生成、持续学习等不同场景。

在瑞金医院的展区，SenseCare®肝脏手术智能规划系统凭借高效精准的病灶检出、三维重建、手术规划等功能，吸引不少观众驻足。从二维的肝脏CT影像，变为一目了然的三维立体模型，只需短短几分钟。轻轻拖动鼠标，就可在模型上自定义切面、角度、血管离断位置等，帮助医生几分钟内完成精准的肝脏手术规划。

据悉，随着DSL框架的推出，医疗大模型的训练将有望突破“数据孤岛”的桎梏，一定程度上降低了医疗大模型的训练门槛，有助于加速模型开发迭代，使医疗大模型的应用范围得以进一步延伸，覆盖更多临床医疗问题。