Synthetische Daten liefern kostenlosen Lunch für medizinische Bild-Modelle

Ein neues Verfahren namens RaSD (Randomized Synthesis and Disentanglement) zeigt, dass medizinische Bild-Foundation-Modelle (MIFMs) ohne große, kostenintensive Datensätze auskommen können. Durch die Verwendung von zufälligen Gauß-Verteilungen zur Modellierung anatomischer Strukturen und Erscheinungsvariationen werden die Modelle mit einer Vielzahl von strukturellen und visuellen Störungen konfrontiert. Dadurch lernen sie, sich auf invariant relevante anatomische Merkmale zu stützen, anstatt auf datenspezifische Texturen.

Die Autoren haben RaSD auf 1,2 Millionen 3‑D‑Volumen und 9,6 Millionen 2‑D‑Bildern vortrainiert und die Modelle anschließend an 48 Datensätzen, 6 Bildmodalitäten und 56 Downstream‑Aufgaben getestet. In allen Fällen übertrifft RaSD Modelle, die von Grund auf trainiert wurden, und erzielt bei 17 Aufgaben sogar die beste Leistung. In den meisten anderen Szenarien liegt die Performance nahe an Modellen, die mit großen realen Datensätzen vortrainiert wurden.

Diese Ergebnisse beweisen, dass synthetische Daten allein ausreichen, um robuste und übertragbare Repräsentationen zu lernen. Der Ansatz eröffnet einen Paradigmenwechsel in der medizinischen KI: Synthetische Daten können als „kostenloser Lunch“ dienen, wodurch skalierbare, datenschutzfreundliche und klinisch generalisierbare Foundation‑Modelle möglich werden.