Alapmodellek hatékonyan segítenek a rákdiagnosztikában
A vizsgálatok szerint az alapmodellek képesek megbízható eredményeket szolgáltatni különböző ráktípusok felismerésére, még akkor is, ha az adatok eloszlása eltér a tanítóhalmaztól.
Az alapmodellek (FM) kép- és omik-adatai versenyképesek a rákdiagnosztikában, még eloszláseltolódás esetén is, állítja egy új arXiv-pre kint.
Unimodális teljesítmény és kiegészítő jelek
Öt alapmodell (FM) teljesítményét vizsgálták nyolc különböző rákdiagnosztikai feladaton, két valós, kereskedelmi onkológiai adathalmazon: az IH-BC (mellrák) és az IH-NSCLC (nem kissejtes tüdőrák) kohortokon. Az eredmények szerint a képadatok és az omikai profilok kiegészítő prediktív információt hordoznak, ami azt jelenti, hogy mindkettő hozzájárul a pontosabb diagnózishoz — közölték a kutatók.
Kapcsolódó: multimodális AI fejlesztés
Multimodális fúzió előnyei
A kutatás három különböző kép-omika fúziós stratégiát hasonlított össze. A multimodális megközelítés akkor hoz további előnyöket, ha egyetlen modalitás sem dominál túlzottan a jelben. Ez azt jelenti, hogy az AI-rendszerek akkor a leghatékonyabbak, ha a kép- és az omikai adatok egyensúlyban vannak, és nem helyettesítik egymást — írja az arXiv.
Kapcsolódó: biomedicinai AI látásvizsgálat
Megbízhatóság és bizonytalanságkezelés
A kiválasztott unimodális és multimodális rendszerek megbízhatóságát konformális predikcióval vizsgálták. Ez a módszer lehetővé teszi a bizonytalanság mérését: ha a pontbecslés hibásnak bizonyul, a helyes diagnózis gyakran mégis benne marad a predikciós halmazban. Ez megerősíti a bizonytalanságtudatos következtetés értékét a klinikai támogatásban — állítja a tanulmány.
Kapcsolódó: Apple többmodális optimalizálás
Általánosíthatóság és jövőbeli kutatások
Az alapmodellek reprezentációi versenyképes teljesítményt mutatnak az eloszláseltolódásos adatokon is. Azonban a FM-ek általánosíthatósága az eddig vizsgált adatkészleteken túl továbbra is kevéssé feltárt terület. A kutatók szerint a jövőbeli munkák a reprezentációk szélesebb körű validálására és a multimodális fúzió finomhangolására összpontosítanak majd.
Kapcsolódó: bőrrák diagnosztikai AI