利用全新生成式 AI 和细胞影像模型突破医疗壁垒

在医学影像的赛道上，NVIDIA MONAI 微服务正在悄然改变游戏规则。它通过一系列专为医疗和生物制药行业打造的先进模型与扩展功能，试图解决行业中那些棘手难题。最新版本更新，可以说给这个平台注入了不少新活力——从提升工作效率到拓展应用边界，都做了一些实打实的改进。那么，具体更新了哪些功能？我们逐一来看。

这次的更新主要涵盖了四个方向：批量推理、基于 MONAI Bundles 的自定义训练、一个面向 CT 影像的全新生成式 AI 模型，以及对 VISTA 模型系列的重大升级。

批量推理与自定义训练

在 MONAI 平台上，实时推理一直是精简交互式注释工作流的关键。而现在，批量推理功能的加入，让事情变得更有意思。简单来说，它允许用户一次性处理大量医学影像数据。这个功能的核心价值在于，在保证分析精度的前提下，大幅提升效率——对于需要处理庞大数据集的机构或研究团队，这简直就是及时雨。

与此同时，借助 MONAI Bundles 进行自定义训练，也让模型的定制变得更加灵活。用户可以基于 MONAI Bundles 的技术标准，从 NVIDIA NGC 目录中挑选一个现成的 Bundle，然后根据自己独特的工作流和影像需求进行调优。这种“拿来再改造”的模式，显著降低了 AI 模型应用的门槛。

合成 CT 影像生成：MAISI 模型

这次还带来一个全新的生成式 AI 模型，叫做 MAISI（Medical Synthetic Imaging AI）。它能够生成高达 132 个解剖类别的高分辨率 CT 图像，分辨率可以达到 512×512×512。在真实影像数据有限的情况下，MAISI 可以生成多样且逼真的合成数据集，强化数据增强环节，同时自动生成详细的影像和标签，大大简化了标注流程。更关键的是，它为使用敏感的患者数据提供了一种符合伦理的替代选择。NVIDIA 也计划在今年晚些时候推出一个微调工作流，让用户能针对具体任务进一步完善这个模型。

VISTA-3D 与 VISTA-2D：从三维到二维

VISTA-3D 模型一直是 MONAI 平台的基石，它以出色的准确性、通用性和交互性广受好评。而此次更新后，它覆盖的类别范围扩展到了 130 个。模型在标记与未标记数据上进行了持续训练，并通过额外的数据集进行评估和优化。值得注意的是，引入伪标签技术后，模型不仅准确率有了提升，dice 分数的分布也整体上移，低性能实例显著减少。这意味着模型的少样本和零样本学习能力更强，面对各类医学影像任务时更加得心应手。当然，它也能通过持续学习，更好地适应特定任务。

另外一个值得关注的亮点，是专门为细胞影像设计的 VISTA-2D 模型。它支持推理和训练，用户可以基于自己的特定数据集开发并微调自定义模型。虽然它不包含预训练权重，但内部基准测试显示，即便在训练数据有限的情况下，用 VISTA-2D 训练的模型，其性能也能超越 CellPose 等前沿模型。这无疑让 VISTA-2D 成为细胞影像定制解决方案的一个理想起点。

NVIDIA NIM：让医疗微服务更易用

这次的更新还涉及一套全新的医疗微服务套件，其中包含 NVIDIA NIM——一组可以对各种模型进行优化推理的微服务。VISTA-3D 已经可以在这套服务中使用。NIM 本质上是一种易于自行托管的微服务，它简化了 AI 驱动的企业级应用开发，也降低了 AI 模型在生产环境中部署的复杂度。

总结

总体来看，NVIDIA 通过这一版本的 MONAI 微服务更新，展示了其对推动医学影像发展的持续投入。批量推理、自定义训练、合成数据生成，加上 VISTA-3D 的功能升级和全新 VISTA-2D 的推出，一系列举措切实回应了医学影像领域的核心需求。这些进步为研究人员、标注人员和开发人员提供了更强有力的工具，让他们在医学影像项目中能更进一步，同时也加速了先进 AI 技术在医疗和生物制药领域的落地应用。