斯坦福医学院研发的MUSK模型，结合医学图像和文本数据，能更精准地预测癌症患者的预后和治疗反应。该模型整合了病理图像等视觉数据和病历等文本数据，在庞大的非配对多模态数据集上预训练，大大扩展了学习范围。通过5000万张病理图像和超10亿条医学文本训练，MUSK能准确预测16种癌症类型的患者生存率和治疗反应，并分析患者人口统计学信息和病史，以确定对个体患者最有效的疗法。与传统方法相比，生存率预测准确性提升11%，免疫治疗适用性预测准确性提升16%，黑色素瘤复发风险预测准确性提升12%。

🔬MUSK模型创新性地融合了医学图像（如病理图像）和文本数据（如病历和临床记录），实现了对患者病情的更全面理解。

📚该模型在庞大的非配对多模态数据集上进行预训练，包括5000万张病理图像和超过10亿条医学文本，显著提升了模型的学习范围和适应性。

📈MUSK模型能够准确预测16种癌症类型的患者生存率和治疗反应，并能分析数千个数据点，从而更精准地确定对个体患者最有效的疗法，例如免疫疗法。

🎯通过对比，MUSK模型在预测生存率、免疫治疗适用性以及黑色素瘤复发风险等方面的准确性均显著高于传统方法，分别提升了11%、16%和12%。

IT之家 1 月 15 日消息，来自斯坦福医学院的科研团队研发了名为 MUSK 的 AI 模型，结合医学图像和文本数据，可以精准预测癌症患者的预后和治疗反应。

IT之家注：预后（英语：Prognosis）是一个医学名词，是指基于病人当前的状况，结合疾病的了解，例如临床表现、化验结果、影像学检查、病因、病理、病情规律等，以及治疗时机、方法和过程中出现的新情况，来推估治疗后的可能结果。

MUSK 模型的亮点在于，突破性地整合了视觉数据（如病理图像）和文本数据（如病历和临床记录），可以更全面理解患者病情。

MUSK 模型在庞大的非配对多模态数据集上进行预训练，极大地扩展了其学习范围，使其比传统 AI 模型更具适应性和定制化能力。

该模型通过 5000 万张病理图像和超过 10 亿条医学文本训练，可以准确预测 16 种癌症类型的患者生存率和治疗反应。

MUSK 模型能够分析包括患者人口统计学信息和病史在内数千个数据点，更准确地确定哪些疗法（例如免疫疗法）对个体患者最有效。

该团队表示相比传统方法，其预测生存率的准确性提高了 11 个百分点，达到 75%；预测免疫治疗适用性的准确性从 61% 提升至 77%；预测五年内黑色素瘤复发风险的准确性则提高了 12 个百分点，达到 83%。