DeepUniUSTransformer: Towards A Universal UltraSound Model with Prompted Guidance

超声是临床实践中广泛使用的成像模式，由于其低成本、便携和安全性而得到广泛应用。目前，关于医疗保健领域通用人工智能的研究主要集中在大型语言模型和通用分割模型上，对于同时解决疾病预测和组织分割的解决方案关注不足。在本研究中，我们提出了一种新的超声通用框架，即DeepUniUSTransformer，它是一种可适应多个临床任务的可提示模型。该模型的通用性源于其在各个方面的多功能性。它可以有效地处理任何超声性质、任何解剖位置、任何输入类型，不仅在分割任务中表现出色，而且在计算机辅助诊断任务中也表现出色。我们引入了一个新的模块，将这些信息作为提示并无缝地嵌入到模型的学习过程中。为了训练和验证我们提出的模型，我们从公开可访问的来源中整理了一个全面的超声数据集，涵盖了7个不同的解剖位置，超过9.7K的注释。实验结果表明，我们的模型优于单个数据集训练的模型和缺乏提示指导的网络的消融版本。我们将不断扩大数据集，并优化特定任务的提示机制，以实现医疗超声的通用性。模型权重、数据集和代码将向公众开放源代码。

这篇论文旨在提出一种新的通用框架DeepUniUSTransformer，以解决医学超声成像中的分割和计算机辅助诊断任务。该论文试图解决当前通用AI在医疗保健领域中存在的问题，即缺乏同时解决疾病预测和组织分割的解决方案。

DeepUniUSTransformer是一种通用的超声成像模型，能够适应各种超声成像的性质、解剖位置和输入类型，并且在分割任务和计算机辅助诊断任务中表现出色。该模型引入了一种新的模块，将信息作为提示无缝地嵌入到模型的学习过程中。

该论文使用公开可访问的数据集，涵盖了7个不同的解剖位置，超过9.7K的注释，证明了DeepUniUSTransformer模型的有效性。模型权重、数据集和代码将向公众开放。值得关注的是，该论文提出的模型具有通用性，可以应用于多个医疗超声成像任务，并且在分割和计算机辅助诊断方面表现出色。

最近的相关研究包括使用深度学习进行医学图像分割的研究，以及使用大语言模型进行医学自然语言处理的研究。