2026. július 2., csütörtök · Kutatás

EAGLE: mélytanulási keretrendszer 99%-kal gyorsabb patológiai képelemzésre

A Nature Communications-ben megjelent tanulmány bemutatja az EAGLE nevű mélytanulási keretrendszert, amely a patológusok munkamódszerét utánozva szelektíven elemzi a szövettani metszeti képek informatív régióit a redundáns csempék ezreinek feldolgozása helyett. A szerzők szerint az EAGLE 43 feladaton, kilenc ráktípuson keresztül felülmúlta a jelenlegi aggregációs módszereket, egyes esetekben akár 23%-kal jobb osztályozási teljesítménnyel. A rendszer egyetlen metszetet 2,27 másodperc alatt dolgoz fel, ami a kutatók állítása szerint több mint 99%-os számítási idő csökkenést jelent. Az EAGLE auditálható munkafolyamatot kínál, mivel azonosíthatók a predikciók alapjául szolgáló csempék, csökkentve a nagy teljesítményű infrastruktúra iránti igényt.

Egy forrás Ehhez a hírhez egy forráslink áll rendelkezésre.

Miért fontos?

A lektorált publikáció szerint a keretrendszer drasztikusan csökkentheti a digitális patológiai AI-elemzések számítási igényét, miközben javítja a pontosságot és az átláthatóságot.

Források

Nature Tudományos

Kapcsolódó témák

Napi összefoglalók AI kutatás #EAGLE#digitális patológia

Napi összefoglaló

Ez a hír a 2026. július 2., csütörtök napi AI összefoglaló része.

Helyesbítés · 2026. október 1., csütörtök

Helyesbítés (2026-09-20): a hírhez utólag hozzáfűztük a nem lektorált (preprint) státusz jelzését, mert a megjelenéskor ez lemaradt. A hír címe, összefoglalója és forrásai változatlanok. Helyesbítés (2026-10-01): a hír alól eltávolítottuk az arXiv 2606.30953 hivatkozást („Neuro-Bayesian-Symbolic Residual Attention Shallow Network: Explainable Deep Learning for Cybersecurity Risk Assessment”), mert nem erről a munkáról szól; vele együtt kikerült a „Miért fontos?”-ból a 2026-09-20-án hozzáfűzött „A mögöttes eredményt leíró tanulmány preprint” mondat, mert erre a téves hivatkozásra épült. A hír forrása a Nature Communications-ben megjelent, lektorált cikk.

Kapcsolódó hírek

32 mesterséges intelligencia alapmodell összehasonlítása a digitális patológiában – átfogó benchmark a Nature Communicationsben

A Nature Communicationsben megjelent (még szerkesztés előtti) tanulmány 32 mesterséges intelligencia alapmodellt hasonlít össze a számítógépes patológia területén. A kutatók négy kategóriát vizsgáltak: általános látásmodellek, általános látás-nyelvi modellek, patológia-specifikus látásmodellek és patológia-specifikus látás-nyelvi modellek. A TCGA, CPTAC és további külső adathalmazokon végzett tesztek szerint a patológia-specifikus látásmodellek következetesen a legjobban teljesítők közé tartoznak, és felülmúlják a patológia-specifikus látás-nyelvi modelleket. A szerzők rámutatnak, hogy a modellméret és az előtanító adathalmaz nagysága nem jósolja meg megbízhatóan a végső teljesítményt, míg a késői döntési szintű együttes alkalmazás javítja az összesített eredményeket. Az eredmények nyilvánosan elérhetők a PathBench felületen.

Kutatás: a kereskedelmi LLM-routerek nem múlják felül a véletlen választást

Hat kereskedelmi LLM-router tesztje 14 beállításban, nyolc feladatkategóriát lefedő benchmarkon azt mutatja, hogy egyikük sem múlja felül azt a módszert, amely két gondosan kiválasztott modell közül azonos költség mellett véletlenszerűen választ – áll egy nem lektorált kutatási anyagban (preprint). Némelyik router emellett több mint 10 százalékponttal gyengébben is teljesített, mint e kétmodelles véletlen alapvonal. A szerzők ezt négy visszatérő mintázatra vezetik vissza: a nehézség figyelmen kívül hagyására, a hosszúság szerinti téves rangsorolásra, a szemantikai illesztésre és a modellkészlet nem optimális összeállítására. A tanulmány egy alternatív értékelési módszert és egy egyszerű kétmodelles routert is javasol, amely elkerüli e négy hibát, ám a javulás a véletlenszerű routinghoz képest csekély marad, mert egy jól megválasztott modellpáros már eleve keveset enged javítani.

LLM-ügynökök finomítják az emberi gondolkodás kognitív modelljeit

Kutatók új hibrid rendszert mutatnak be, amely a kognitív algoritmusok felfedezését programfinomítási feladatként kezeli: a korábban kézzel megalkotott, valószínűségi programként megfogalmazott kognitív modelleket LLM-ügynökök vizsgálják felül. Az ügynökök azonosítják, hol tér el a modell az emberi viselkedéstől, kutatói korlátok között kódszintű módosításokat javasolnak, majd ellenőrzik a strukturális hűséget, miközben egy valószínűségi következtető modul számítja ki a rejtett változókat és az adatok valószínűségét. A nem lektorált, arXiv-on közzétett tanulmány szerint a módszert egy problémamegoldási feladatban tesztelték, ahol a felülvizsgált modellek következetesen jobban illeszkedtek az emberi viselkedésre, mint az eredeti modellek, és néhány visszatérő, érdemi viselkedési változatosságot magyarázó innovációt is azonosítottak. A szerzők szerint ez a hibrid megközelítés ötvözi az emberi szakértelem interpretálhatóságát az LLM-ek rugalmasságával és skálázhatóságával.

NASA és IBM nyílt forráskódú alapmodellt épített a Hold kutatására

A NASA és az IBM Research, egyetemi partnerekkel együttműködve, kiadta a NASA-IBM Lunar Foundation Modelt, amelyet a két szervezet az első nyílt forráskódú alapmodellek egyikeként mutat be a holdkutatás számára. A modellt a SomBench nevű adathalmazon tanították be a semmiből, amely a vállalatok állítása szerint a valaha összeállított legnagyobb, egymáshoz illesztett, többmodalitású holdi adatgyűjtemény. A legtöbb adat a Lunar Reconnaissance Orbiter 17 éves megfigyeléseiből származik, kiegészítve a GRAIL, a Lunar Prospector és a japán Kaguya/SELENE szonda méréseivel. A fejlesztők szerint a modell különösen jól teljesít a sarki jégkészletek előrejelzésében és a kráterek felismerésében, mivel címkézett adat kevés, de nyers megfigyelés bőven áll rendelkezésre.