摘要

传统生物医学人工智能（AI）模型通常针对特定任务或数据模态设计，其在实际应用中灵活性有限，难以充分利用多源信息。通用型AI因其能够解析多种数据类型并生成适配多样化需求的输出，具备克服上述局限的潜力。然而，现有的生物医学通用型AI解决方案往往模型庞大且为闭源，限制了研究者、临床从业者及患者对其的访问与使用。为此，我们提出BiomedGPT——首个开源且轻量级的视觉-语言基础模型，专为通用生物医学任务设计，具备执行多种生物医学应用的能力。在25项实验中的16项中，BiomedGPT取得了当前最优性能，同时保持了计算友好型的模型规模。我们还开展了人工评估，以检验BiomedGPT在放射科视觉问答、报告生成和文本摘要任务中的表现。结果显示，BiomedGPT在问答任务中展现出稳健的预测能力，错误率低至3.8%；在撰写复杂放射科报告任务中表现令人满意，错误率为8.3%；在摘要生成方面具备竞争力，其偏好得分与人类专家几乎相当。本研究证明，通过多样化数据的有效训练，可推动更具实用价值的生物医学AI发展，从而提升诊断准确性与临床工作流程效率。