2026. július 18., szombat · Kutatás

Multimodális nyelvi modell automatizálja a gyomortükrözés diagnosztikáját és leletezését

A Nature Communications-ben közölt, korai hozzáférésű tanulmány szerint kínai kutatók orvosi szaktudással megerősített multimodális nagy nyelvi modellt (MLLM-EDR) fejlesztettek gyomortükrözési képek automatikus diagnosztizálására és leletgenerálásra. A több központból származó adathalmaz 4461 beteg 203 838 endoszkópos képét tartalmazta. A szerzők szerint a modell 0,882-es átlagos diagnosztikus pontosságot ért el tizenkilenc betegségre, felülmúlva a korábbi AI-modelleket (0,720) és a kevésbé tapasztalt endoszkóposokat (0,784). A generált leletek minőségét a tapasztalt endoszkóposokéval egyenértékűnek találták, a leletezési idő pedig hét percről mintegy 13,5 másodpercre csökkent.

Egy forrás Ehhez a hírhez egy forráslink áll rendelkezésre.

Miért fontos?

A szerzők szerint ez az első olyan multimodális nyelvi modell, amely a gyomortükrözés teljes diagnosztikai és leletezési munkafolyamatát képes automatizálni.

Források

Nature Tudományos

Kapcsolódó témák

Napi összefoglalók AI kutatás #orvosi AI#endoszkópia

Napi összefoglaló

Ez a hír a 2026. július 18., szombat napi AI összefoglaló része.

Kapcsolódó hírek

Új teszt mutatja: az AI-modellek elbuknak gyógyszerbiztonsági döntéseknél

Kutatók MedPIC-Bench néven 467 kérdésből álló tesztet mutattak be, amely azt vizsgálja, hogy a nyelvi modellek valóban figyelembe veszik-e a beteg egyéni adatait egy gyógyszerbiztonsági szabály alkalmazásakor, nem csak egy rögzített gyógyszer-kockázat párost idéznek fel. A szerzők állítása szerint 28 orvosi célú, általános és zárt modellt teszteltek: amikor a beteg adatait megváltoztatták, az átlagos pontosság 63,6%-ról 45,1%-ra esett. A modellek jól kezelik, ha egy beteg-jellemző közvetlenül ismert ellenjavallatra utal, de nehezen boldogulnak, ha az adatok éppen kizárnak egy figyelmeztetést. A nem lektorált preprint szerint a modellek indoklása gyakran felismeri a megváltozott adatot, mégis a korábbi ítéletet tartják meg, és ez a hiba az orvosi célú modelleknél is fennáll, sőt átlagosan rosszabbul teljesítenek, mint az általánosak.

Nem egyenlő eséllyel fenyegeti a betegeket az orvosi AI-modellek adatszivárgása

A Nature-ben megjelent szakértői elemzés szerint az orvosi AI-fejlesztés eddigi alapfeltevése – hogy az anonimizált betegadatokból nem lehet visszakövetkeztetni az egyénekre – gyakran nem igaz. A cikk Knolle és szerzőtársai Nature-ben publikált kutatására hivatkozik, amely kimutatta, hogy erős gépi tanulási modellek esetén bizonyos betegcsoportok tagságára vonatkozó információ kikövethető a modellből, és ez a kockázat nem egyenletesen oszlik el a populációkon belül. Zhang és Ghassemi, az MIT kutatói ezt az eredményt kommentálva hangsúlyozzák, hogy az adatmegosztás és az orvosi AI-fejlesztés közötti implicit „alku” – amely a de-identifikáció biztonságára épül – felülvizsgálatra szorul. Az elemzés szerint a probléma különösen sürgető, mert eltérő mértékben veszélyezteti a különböző alcsoportokat, ami új etikai és adatvédelmi kérdéseket vet fel az egészségügyi AI-rendszerek tervezésénél.

GPT-6-Astra rutinszerű fizikai kutatási feladatok 98%-át oldotta meg

Egy nemzetközi kutatócsoport – köztük az ICTS, a Harvard, a KU Leuven és a Google DeepMind munkatársai, összesen 35 szerző – közzétette a TheoPhysEval nevű benchmarkot, amely 50, korábban nem publikált elméleti fizikai kutatási feladatot tartalmaz ellenőrizhető megoldással. A feladatok a szerzők szerint úgynevezett „turn-the-crank” jellegű, rutinszerű kutatómunkát modelleznek, amelyben ismert módszereket kell alkalmazni egy kissé módosított kérdésre, és amit jellemzően egy PhD-hallgató kap első lépésként, egy adott terület szakértője pedig nagyjából egy nap alatt megold. A tesztben az OpenAI Codex környezetében futó GPT-6-Astra 49 feladatot oldott meg helyesen, vagyis 98 százalékot ért el, átlagosan kevesebb mint 3 dollárért feladatonként, az egész benchmarkot pedig közel 116 dollárból futtatták végig. Az Anthropic Claude Code-ban futó Opus 5.5 92 százalékot, a Google Gemini 3.8 Flash pedig 68 százalékot ért el. A kutatók szerint a magas pontszámok ellenére hiányzik az AI-ból egyfajta tudományos „ízlésérzék”, ami megmagyarázhatja, miért nem vezettek még ezek az eredmények valódi fizikai áttörésekhez.

Seal: AI-modell térképezi az agyfejlődés génszabályozását

A Nature Neuroscience folyóiratban megjelent tanulmány bemutatja a Sealt, egy interpretálható, mesterséges intelligencián alapuló transzfertanulási keretrendszert, amely a fejlődő emberi agy génexpresszióját és genetikai variánsainak hatását modellezi térbeli-időbeli felbontásban, 26 agyi régióra, 30 sejttípusra és 7 fejlődési stádiumra kiterjedően. A kutatók szerint a Seal a genetikai variánsokat transzkripciós szabályozókhoz köti, és a modellt hat neuropszichiátriai állapot GWAS-adatain alkalmazva közös és eltérő szabályozási architektúrákat azonosítottak, amelyek illeszkednek a klinikai lefolyáshoz. A Simons Simplex Collection autizmus-kohorsz teljes genomadatain a modell jelentős de novo szabályozóvariáns-terhelést mutatott ki az átmeneti, magzati kori gerjesztő idegsejtekben, sejttípus- és stádiumspecifikus hatásokat feltárva. A szerzők szerint a Seal általános keretrendszert kínál az agyfejlődés és az idegrendszeri betegségek mechanizmusainak feltárásához, a modell kódja és paraméterei nyilvánosan elérhetők.