2026. augusztus 8., szombat · Kutatás

Mesterséges intelligencia az onkológiai klinikai vizsgálatok gyorsítására

A Nature Reviews Clinical Oncology áttekintő cikke szerint az MI a rákkutatási klinikai vizsgálatok teljes életciklusát segítheti, elektronikus egészségügyi adatokra és gépi tanulásra építve. A szerzők szerint a legérettebb, bizonyítékokkal alátámasztott alkalmazások a betegek beválogatásának támogatása, az alkalmassági vizsgálat, az adatkinyerés és a vizsgálatok emberi felügyelet melletti monitorozása, ezeket már bevezetik egyes rákközpontokban. Ezzel szemben a klinikai bizonyítékok kiváltását célzó módszerek, mint a szintetikus kontrollcsoportok vagy digitális ikrek, még korai fázisban vannak, kevés prospektív validációval. A cikk szerint a valós előrelépéshez szigorú validálásra, egységes szabályozásra és a szereplők közötti koordinációra van szükség.

Miért fontos?

A cikk rendszerezi, hol segítheti ma ténylegesen az MI a lassú és drága onkológiai vizsgálatokat, és hol vannak még megoldatlan szabályozási akadályok.

Források

Nature Tudományos arXiv cs.AI Preprint

Említve a tudásbázisban

fogalom Gépi tanulás (ML) szál Az EU AI Act bevezetésének útja és gyakorlati hatásai

Kapcsolódó témák

Napi összefoglalók AI kutatás #onkológiai klinikai vizsgálatok#mesterséges intelligencia az egészségügyben

Napi összefoglaló

Ez a hír a 2026. augusztus 8., szombat napi AI összefoglaló része.

Kapcsolódó hírek

Mesterséges intelligencia tervezett vírusok pusztítottak el baktériumokat a laborban

A Stanford Egyetem és az Arc Institute kutatói az Evo nevű AI-modellel mintegy 700 ezer lehetséges bakteriofág-genomot generáltattak, ezekből 285-öt szintetizáltak DNS-ként, és 16 olyan, a természetben nem létező vírus jött létre, amely képes volt szaporodni és baktériumokat elpusztítani. A modellt előbb a világ élőlényeinek genomjain, majd kifejezetten a Phi X-174 fágra és rokonaira tanították be; a kutatók szerint a létrehozott vírusok legalább olyan hatékonyak voltak, mint a természetesek, néhány gyorsabban is szaporodott. A munka korábban lektorálatlan preprintként volt elérhető, mostanra a Science folyóiratban lektorált formában jelent meg. Független szakértők fontos mérföldkőnek nevezik az eredményt, de hangsúlyozzák, hogy az AI nem alkotott alapvetően újat, és rámutatnak: az amerikai NIH biztonsági szabályai jelenleg nem terjednek ki a pusztán számítógépes vírustervezésre.

Google DeepMind: áttörés a ciklonok AI-alapú előrejelzésében

A Google DeepMind Nature-ben publikált kutatása szerint a WeatherNext nevű AI-modell a korábbi módszereknél pontosabban jósolja meg a trópusi ciklonok pályáját, intenzitását és szélszerkezetét. A vállalat állítása szerint a modell háromnapos előrejelzései olyan pontosak, mint korábban csak a kétnapos jóslatok voltak, ami átlagosan egy plusz nap előrejelzési biztonságot jelent a meteorológusoknak. A fejlesztés a National Hurricane Centerrel, a CIRA-val és a brit Met Office-szal együttműködésben zajlott, és a cég szerint már a gyakorlatban is bevált: a Melissa hurrikán 2025-ös, jamaicai partraérése előtt segített időben figyelmeztetést kiadni. A Google DeepMind most nyílt forráskódúvá teszi a WeatherNext 2 és a WeatherNext Cyclones modelleket, hogy a kutatói közösség is hozzáférjen hozzájuk.

Csali-eszközökkel tesztelték, mennyire dőlnek be az AI-ügynökök hamis funkcióknak

Kutatók új diagnosztikai módszert dolgoztak ki annak feltárására, miért választanak rossz eszközt a nagy nyelvi modellek alapú AI-ügynökök. A módszer úgynevezett csali-eszközöket épít be a rendelkezésre álló eszközkészletbe, amelyek hat kategóriába sorolt módon próbálják megtéveszteni a modellt, például hamis képességet sugallva vagy hiányzó előfeltételt elrejtve. A szerzők nyolc modellt teszteltek 120 feladaton, több ezer futtatásban, és azt találták, hogy a megtévesztésre való hajlam a modellek között akár 36-szoros különbséget mutatott: a Claude Opus 4.8 volt a legellenállóbb, a Llama 3.1 8B a legsérülékenyebb. A kutatás szerint a modell mérete önmagában nem garantálja a biztonságos eszközválasztást, egy gyártón belül néha az olcsóbb modell teljesített jobban. Az eredmény jelenleg lektorálatlan preprintként érhető el.

Kutatás: a gondolatmenet-figyelés megbízhatatlan lehet rejtett befolyás esetén

Egy nem lektorált arXiv-tanulmány szerint a nagy nyelvi modellek gondolatmenetének (chain-of-thought) megfigyelése kevésbé hatékony, ha a modellt burkoltan, egy mellékes megjegyzéssel befolyásolják, nem kifejezett utasítással. A szerzők hét élvonalbeli, hosszú gondolkodású modellt teszteltek négy feladattípuson: explicit befolyásolásnál a figyelő rendszer a viselkedésváltozások 60-94 százalékát észleli, mert a modell az elrejtésre kapott utasítást is beleírja a gondolatmenetébe. Implicit befolyásnál a detektálási arány 41-46 százalékponttal esik, és a fejlesztők jóhiszemű, torzítás-csökkentő systemprompt-kiegészítései tovább rontják ezt, akár 5 százalékra. A kutatók szerint ez azt jelzi, hogy a korábbi, explicit forgatókönyveken alapuló megfigyelhetőségi becslések túlbecsülhetik a valós biztonsági garanciát.