2026. augusztus 18., kedd · Kutatás

Magyarázható AI-modell érkezett az orvosi képalkotás diagnosztikájához

A Nature Biomedical Engineering lektorált tanulmánya bemutatja a ConceptCLIP nevű biomedikus alapmodellt, amelyet kutatók egy 23 millió kép-szöveg-koncepció hármasból álló új adathalmazon, a MedConcept-23M-en tanítottak. A modell a képek és szövegek mellett régió-koncepció párokat is összekapcsol, így nemcsak diagnosztizál, hanem emberi nyelven értelmezhető magyarázatot is ad a döntéséhez. A szerzők szerint 78 adathalmazon és 10 képalkotási modalitáson (például röntgen, patológia) tesztelve a modell a legjobb korábbi eredményeket hozta, miközben klinikusok bevonásával végzett felhasználói vizsgálat szerint a koncepció-alapú magyarázatok segítettek az orvosoknak ellenőrizni a modell predikcióit és kiszűrni a lehetséges hibákat. A tanulmány ezt a magyarázhatóságot tekinti kulcslépésnek az AI klinikai elterjedéséhez.

Egy forrás Ehhez a hírhez egy forráslink áll rendelkezésre.

Miért fontos?

Lektorált kutatás mutatja meg, hogy egy nagy pontosságú orvosi AI-modell úgy is adhat emberi nyelven érthető magyarázatot, hogy az klinikusok szerint valóban segít a hibák felismerésében.

Források

Nature Tudományos

Kapcsolódó témák

Napi összefoglalók AI kutatás #ConceptCLIP#orvosi képalkotás

Napi összefoglaló

Ez a hír a 2026. augusztus 18., kedd napi AI összefoglaló része.

Helyesbítés · 2026. szeptember 13., vasárnap

Helyesbítés (2026-09-13): eltávolítottunk 34, tárgyilag nem kapcsolódó arXiv-preprintre mutató hivatkozást, amelyek hibás csoportosítás miatt kerültek a hír alá; a hírt a Nature Biomedical Engineering tanulmánya támasztja alá.

Kapcsolódó hírek

BoneCoT: egész testet lefedő csontáttét-diagnosztikai AI-modell 10 kórház adatain validálva

A Nature Biomedical Engineering folyóiratban publikált kutatás bemutatja a BoneCoT nevű alapmodellt, amelyet csontáttétek CT-alapú diagnosztizálására fejlesztettek. A modellt 29,3 millió CT-képen, 30 267 beteg adatain előtanították 12 csontrégióra, majd 26 klinikailag releváns feladatra – diagnózis, szövődmények, tumortípus és biomarkerek meghatározása – finomhangolták orvosi gondolatláncokkal (chain-of-thought). A szerzők szerint a modell 10 kórház többcentrumos kohortján 20%-kal felülmúlta a korábbi legjobb módszereket az AUC-metrikában, a primer és áttéti léziók elkülönítésében pedig 40%-os AUC-javulást ért el a tapasztalt radiológusokhoz képest. Az eredmények azt mutatják, hogy az orvosi gondolatmenetek integrálása az AI-tanulásba javíthatja a komplex diagnosztikai feladatok teljesítményét.

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.