滚动据悉，微软研究人员与一批医院合作，获得了使用生物医学图像文本对应大型数据集来训练多模态 AI 模型。该数据集包括胸部 X 光、MRI、组织学、病理学和 CT 图像等，覆盖范围相对全面。
微软使用 GPT-4，基于 Vision Transformer 和 Vicuna 语言模型，在八个英伟达 A100 GPU 上对 LLaVA-Med 进行训练，其中包含“每个图像的所有预分析信息”，用于生成有关图像的问答，以满足“可自然语言回答有关生物医学图像问题”的助手愿景。
在学习过程中，模型主要围绕“描述此类图像的内容”以及“阐述生物医学概念”而展开。据微软称，该模型最终具有“出色的多模式对话能力”、“在用于回答视觉问题的三个标准生物医学数据集上，LLaVA-Med 在部分指标上领先于业界其他先进模型”。
研究团队表示:“虽然我们认为 LLaVA-Med 模型代表了朝着构建有用的生物医学视觉助手迈出的重要一步，但当下 LLaVA-Med 模型还存在一定的不足之处，即大模型常见的虚假举例和准确度不佳的问题，研究团队未来将侧重于提高模型的质量和可靠性，以令模型有朝一日可以在商业生物医学中应用。”
IT之家注意到，目前该模型已经开源，大家可以在 GitHub 找到相关信息。
