Estudio: Google presenta nuevas capacidades de LLM de Med-Gemini

Estudiar realizado por Google Research, en colaboración con Google DeepMind, revela que el gigante tecnológico ha ampliado las capacidades de sus modelos de IA a Med-Gemini-2D, Med-Gemini-3D y Med-Gemini Polygenic.

Google dijo que ha perfeccionado las capacidades de Med-Gemini utilizando histopatología, dermatología, radiología 2D y 3D, datos genómicos y oftalmología.

El Med-Gemini-2 de la compañía fue entrenado con imágenes médicas codificadas en 2D convencionales, como cortes de TC, cortes de patología y radiografías de tórax.

Med-Gemini-3D analiza datos médicos en 3D y Google capacitó a Med-Gemini-Polygenic en funciones no relacionadas con imágenes, como la genómica.

El estudio demostró que el modelo refinado de Med-Gemini-2D superó los resultados anteriores para generar informes habilitados por IA para radiografías de tórax entre un 1% y un 12%, siendo los informes «equivalentes o mejores» que los informes de los radiólogos originales.

El modelo también superó su rendimiento anterior en términos de respuestas a preguntas sobre radiografías visuales de tórax gracias a mejoras en el codificador visual y el componente de lenguaje de Gemini.

También tuvo un buen desempeño en la clasificación de radiografías de tórax y en las preguntas y respuestas de radiología visual, superando las líneas de base anteriores en 17 de 20 tareas; sin embargo, en oftalmología, histopatología y dermatología, Med-Gemini-2D superó los valores iniciales en 18 de 20 tareas.

Med-Gemini-3D podría leer exploraciones 3D, como tomografías computarizadas, y responder preguntas sobre las imágenes.

El modelo resultó ser el primer LLM capaz de generar informes para tomografías computarizadas en 3D. Sin embargo, sólo el 53% de los informes fueron clínicamente aceptables. La compañía reconoció que se necesita investigación adicional para que la tecnología cumpla con la calidad de los informes de los radiólogos expertos.

Med-Gemini-Polygenic es el primer modelo de la compañía que utiliza datos genómicos para predecir resultados de salud.

Los autores escribieron que el modelo superó «el enfoque estándar basado en puntuación de riesgo poligénico lineal para la predicción del riesgo de enfermedad y se generaliza a enfermedades genéticamente correlacionadas para las que nunca ha sido entrenado».

MÁS TENDENCIA

Los investigadores informaron de las limitaciones del estudio y afirmaron que es necesario optimizar los modelos multimodales para diversas aplicaciones clínicas relevantes, evaluarlos exhaustivamente en conjuntos de datos clínicos apropiados y probarlos fuera de los puntos de referencia académicos tradicionales para garantizar la seguridad y la confiabilidad en el mundo real. situaciones.

Los autores del estudio también señalaron que «una gama cada vez más diversa de profesionales de la salud necesitará involucrarse profundamente en futuras iteraciones de esta tecnología, ayudando a guiar los modelos hacia capacidades que tengan una utilidad valiosa en el mundo real».

Se mencionaron una serie de áreas en las que deberían centrarse las evaluaciones futuras, incluida la reducción de la brecha entre el punto de referencia y la cabecera, minimizar la contaminación de los datos en modelos grandes e identificar y mitigar los riesgos de seguridad y el sesgo de los datos.

«Si bien las capacidades avanzadas en tareas médicas individuales son útiles en sí mismas, imaginamos un futuro en el que todas estas capacidades se integren en sistemas integrales para realizar una variedad de tareas clínicas multidisciplinarias complejas, trabajando junto con los humanos para maximizar la eficacia clínica y mejorar los resultados de los pacientes. «Los resultados presentados en este estudio representan un paso hacia la realización de esta visión», escribieron los investigadores.