A Comprehensive Survey of Foundation Models in Medicine

基础模型（FMs）是使用自我监督技术在广泛数据集上训练的大规模深度学习模型。这些模型为各种下游任务提供了基础，包括医疗保健。在医疗保健领域，FMs已经在自然语言处理（NLP）、计算机视觉、图形学习、生物学和组学等各个领域取得了巨大成功。现有的医疗保健调查尚未涵盖所有这些领域。因此，本调查提供了FMs在医疗保健领域的全面概述。我们关注FMs的历史、学习策略、旗舰模型、应用和挑战。我们探讨了BERT和GPT等FMs如何重塑各种医疗保健领域，包括临床大型语言模型、医学图像分析和组学数据。此外，我们提供了一个详细的分类法，介绍了FMs促进的医疗保健应用，如临床NLP、医学计算机视觉、图形学习和其他与生物学相关的任务。尽管FMs提供了许多有前途的机会，但它们也面临着一些挑战，这些挑战被详细解释。我们还概述了潜在的未来方向，以为研究人员和从业者提供有关FMs在医疗保健中潜力和限制的见解，以推进其部署并减轻相关风险。

综述了基于自监督学习的大规模深度学习模型在医疗保健领域中的应用，探讨了这些模型的历史、学习策略、旗舰模型、应用和挑战。

本文提供了一个详细的医疗保健领域中基于自监督学习的大规模深度学习模型的分类，包括临床自然语言处理、医学图像分析、图学习和其他生物学相关任务。

本文详细介绍了基于自监督学习的大规模深度学习模型在医疗保健领域中的应用，包括临床大型语言模型、医学图像分析和组学数据等。文章提出了这些模型的挑战和未来方向，并提供了一个详细的医疗保健领域中基于自监督学习的大规模深度学习模型的分类。

最近的相关研究主要是关于基于深度学习的医疗保健应用的综述文章，例如“Deep Learning in Medical Image Analysis”和“Deep Learning in Healthcare: Review, Opportunities and Challenges”。