医生的类比推理：胃肠内镜诊断的基础模型

胃肠道疾病给全球健康带来了日益沉重的负担，而内窥镜检查是早期诊断的主要工具。然而，常规内窥镜图像判读仍然存在漏诊病变且效率有限的问题。尽管人工智能辅助诊断已显示出希望，但由于有限的医疗数据、领域转移和异构注释，现有模型往往缺乏通用性、适应性、鲁棒性和可扩展性。为了应对这些挑战，我们开发了 RATNet，这是一种基于类比推理的胃肠内窥镜成像的基础模型。 RATNet 通过循环 预训练 策略从五个胃肠内窥镜数据集的异构专家注释中获取和传输知识。其架构由编码器、相关知识获取和传输（RAT）模块、投影仪和多任务头组成，并支持 微调、线性探测和零样本传输。评估表明，RATNet 在六个场景中优于现有的基础模型，包括 GastroNet 和 GastroVision：常见胃肠疾病的诊断、罕见疾病的少样本学习、零样本转移到新的医疗站点、长尾疾病分布下的鲁棒性、对新疾病的适应以及通过联邦学习进行隐私保护部署。它的优势来自于类比推理机制，将图像衍生的后验知识与学习的先验知识库相匹配，并转移相关知识来指导诊断，提高泛化能力和抵抗偏差的能力。 RATNet开放且经济高效，支持异构注释的自动集成，无需手动统一标签，并降低数据获取成本，使其成为智能胃肠道诊断的实用基础，特别是在资源有限的环境中。