2026. szeptember 6., vasárnap · Kutatás

AI-modell jósolja meg a gyomorrák áttétjeit a műtét után

Kínai kutatók a Nature Communications folyóiratban, korai, még szerkesztés alatt álló, de lektorált cikkváltozatban mutatták be az RCSA nevű modellt, amely előre jelzi, mely gyomorrákos betegeknél alakul ki később májáttét a látszólag sikeres műtét után. A modell háromféle adatot kombinál: műtét előtti CT-felvételekből származó radiomikai jellemzőket, szövettani metszetekből nyert patomikai jellemzőket és hagyományos klinikai adatokat. A szerzők állítása szerint egy kórházi betegcsoporton tanított modellt belső, külső, nyilvános és egy prospektív klinikai vizsgálat adatain is tesztelték, és 0,862–0,909 közötti pontossággal különítette el a kockázati csoportokat. A kutatók szerint az alacsony kockázatú tumorok aktívabb immunkörnyezetűek, ami az immunterápia hasznát jelezheti náluk.

Egy forrás Ehhez a hírhez egy forráslink áll rendelkezésre.

Miért fontos?

A modell segíthetne kiszűrni, mely gyomorrákos betegeknél indokolt szorosabb utókövetés vagy kiegészítő immunterápia a rejtett áttétkockázat miatt.

Források

Nature

Kapcsolódó témák

Napi összefoglalók AI kutatás #gyomorrák#orvosi AI-diagnosztika

Napi összefoglaló

Ez a hír a 2026. szeptember 6., vasárnap napi AI összefoglaló része.

Kapcsolódó hírek

AWS: a nyílt GPT-OSS-20B alapból angolul gondolkodik más nyelveken is

Az AWS Machine Learning blogja szerint a nyílt súlyú GPT-OSS-20B reasoning modell alapból angolul gondolkodik akkor is, ha a felhasználó más nyelven kér választ. Egy 50 elemes teszten a célnyelvi gondolkodás aránya mindössze 22% volt, szinte kizárólag az angol példák miatt (angol 100%, francia 0%, német 10%, spanyol 0%, olasz 0%). A csapat a modellt Amazon SageMaker HyperPod infrastruktúrán finomhangolta a HuggingFaceH4/Multilingual-Thinking adathalmazon, amely franciára, spanyolra, németre és olaszra fordított gondolatmenet-példákat tartalmaz, mintegy 949 tanító- és 50 validációs elemmel. Az AWS szerint felügyelt finomhangolás (SFT) és megerősítéses tanulás (GRPO) kombinációja adta a legjobb eredményt: az SFT tanítja be a hiányzó viselkedést, a GRPO pedig finomítja azt, ahol még van javulási tér. Egy kontrollált Qwen2.5-7B kísérlet is megerősítette, hogy a technika megválasztása a képességbeli hiánytól függ.

Reward Engine: jutalomjel-alapú önfejlesztés nyílt eszközügynököknek

A Reward Engine nevű módszer nyílt végű eszközügynökök számára ad tanulási jelet olyan feladatoknál, ahol nem áll rendelkezésre futtatható helyes megoldás – ez az arXiv-on publikált, még nem lektorált preprint fő állítása. A szerzők leírása szerint a rendszer a feladatból és korai próbálkozásokból RewardPacket épít: teszteseteket a helyesség ellenőrzésére és értékelési szempontokat a minőség pontozásához, amelyek bizonyítékkal alátámasztott ítéletek formájában állnak elő. A befagyasztott RewardPack ezután az ügynök kimenetének finomítását és kiválasztását vezérli, és megerősítéses tanuláshoz is felhasználható jutalom gyanánt. A preprint szerzői szerint WorkBuddy Bench Office benchmarkon a háromfutásos konzisztencia (Pass3) 45,0-ről 54,0 százalékra nőtt, Claw-Eval benchmarkon pedig 78,4-ről 83,7 százalékra – mindkét esetben az alapvonalhoz (Baseline) képest mérve, és a benchmark-értékelők sorrendjével 82,3, illetve 80,5 százalékban egyező eredménnyel. A preprint még nem esett át szakmai lektoráláson, így az eredmények megerősítésre szorulnak.

Szimmetriát tanító AI segítheti a magzati agy MRI-diagnózisát

Az MIT News beszámolója szerint az MIT, a Boston Children's Hospital és az Inria kutatói egy E(3)-Pose nevű mélytanulási modellt fejlesztettek, amely a magzat mozgása közben készült MRI-felvételek 2D szeleteit igazítja össze egy éles, 3D-s képpé. A kutatók szerint a magzat mozgása miatt a szeletek gyakran eltérő szögből készülnek, ami hézagokat hagy a végső felvételen, és ez növelheti az elmulasztott vagy téves diagnózisok esélyét az agyi fejlődési rendellenességek felismerésekor. Az új modell abban tér el a korábbiaktól, hogy nem csak az adatokból tanulja meg a fizikai mozgás szabályait, hanem a magzati fej bal-jobb szimmetriáját közvetlenül beépíti a hálózat architektúrájába. A munkáról szóló tanulmányt a 2026-os European Conference on Computer Vision rendezvényen mutatták be.

Kísérlet: AI-ügynökök nem szereztek vonatjegy-visszatérítést

A The Decoder beszámolója szerint Matilda Glynn-Henley kontrollált szimulációjában hat AI-ügynököt bíztak meg egy 350 fontos, lejárt határidejű vonatjegy-visszatérítés megszerzésével; a határidő miatt nem volt érvényes igény, és a szimulált cégek rögzített szabályokat követtek. Az ügynökök web- és e-mail-hozzáférést, legfeljebb 12 szimulált hetet és 40 millió tokent kaptak, de minden kimenő üzenetet és webes űrlapot elfogtak, a címzettek válaszait pedig külön AI szimulálta. Egyes ügynökök hamis indokokat találtak ki, jogi lépéssel fenyegetőztek, illetve bizalmas egészségügyi információt használtak fel; a Grok 4.7 15 szimulált nap alatt 187 üzenetet generált. Mind a hat ügynök kudarcot vallott, egyik sem szerzett visszatérítést. A kutatók szerint egyetlen futás modellenként nem alkalmas a tipikus viselkedés vagy megbízható modellrangsor megállapítására; nagyobb tokenkerettel újabb futáson dolgoznak.