{"id":3243,"date":"2024-07-12T15:53:19","date_gmt":"2024-07-12T15:53:19","guid":{"rendered":"https:\/\/aifuturize.com\/?p=3243"},"modified":"2024-07-12T15:54:52","modified_gmt":"2024-07-12T15:54:52","slug":"harvards-ai-chatbot-outperforms-gpt-4v-with-90-tumor-detection","status":"publish","type":"post","link":"https:\/\/aifuturize.com\/pt\/ai-news\/harvards-ai-chatbot-outperforms-gpt-4v-with-90-tumor-detection\/","title":{"rendered":"O AI Chatbot de Harvard supera o GPT-4V com detec\u00e7\u00e3o de tumor 90%"},"content":{"rendered":"
\"PathChat\"<\/span><\/div>

Superando GPT-4V! Chatbot de IA da Harvard Medical School \u00e9 destaque na Nature com precis\u00e3o de detec\u00e7\u00e3o de tumores de quase 90%<\/h2>\n

Atualmente, o c\u00e2ncer se tornou uma das principais causas de morte no mundo, com milh\u00f5es de pessoas morrendo dele a cada ano. A Organiza\u00e7\u00e3o Mundial da Sa\u00fade declarou que um ter\u00e7o dos c\u00e2nceres podem ser curados por meio da detec\u00e7\u00e3o precoce e tratamento precoce.<\/p>\n

No entanto, o rastreio do c\u00e2ncer sempre foi um grande desafio na \u00e1rea m\u00e9dica. Em particular, a identifica\u00e7\u00e3o e o diagn\u00f3stico precisos de tumores s\u00e3o cruciais para o tratamento do paciente na an\u00e1lise patol\u00f3gica. Os exames patol\u00f3gicos tradicionais dependem amplamente da per\u00edcia e do conhecimento profissional de especialistas.<\/p>\n

Com o desenvolvimento de grandes modelos como o GPT-4, a pesquisa sobre o uso intelig\u00eancia artificial (IA)<\/a> para auxiliar no diagn\u00f3stico patol\u00f3gico surgiu gradualmente. No entanto, muitos sistemas de IA ainda enfrentam defici\u00eancias de desempenho e baixa interatividade em aplica\u00e7\u00f5es pr\u00e1ticas.<\/p>\n

Recentemente, uma equipe de pesquisa da Harvard Medical School e seus colaboradores desenvolveram um assistente de IA geral de linguagem visual para patologia humana chamado PathChat. Este sistema pode identificar corretamente doen\u00e7as a partir de l\u00e2minas de bi\u00f3psia em quase 90% de casos, superando modelos de IA geral como GPT-4V e modelos m\u00e9dicos profissionais atualmente dispon\u00edveis no mercado.<\/p>\n

O artigo de pesquisa relacionado, intitulado \u201cUm copiloto de IA generativa multimodal para patologia humana\u201d<\/a> foi publicado na revista cient\u00edfica Nature.<\/p>\n

\"Um

Um copiloto de IA generativa multimodal para patologia humana<\/p><\/div>\n

\n
\n
\n
\n

Vale ressaltar que essa tecnologia inovadora n\u00e3o s\u00f3 consegue identificar tumores, mas tamb\u00e9m interagir com os usu\u00e1rios, fornecendo novas ferramentas e perspectivas para o diagn\u00f3stico e a pesquisa em patologia.<\/p>\n

PathChat: Assistente de IA para detec\u00e7\u00e3o de patologias multimodais<\/h3>\n

Por muitos anos, a patologia computacional fez progressos significativos na an\u00e1lise de dados de morfologia patol\u00f3gica e dados de detec\u00e7\u00e3o molecular. Este campo de pesquisa de nicho, formado pela intersec\u00e7\u00e3o da patologia com tecnologias de IA e vis\u00e3o computacional, est\u00e1 gradualmente se tornando um hotspot de pesquisa em an\u00e1lise de imagens m\u00e9dicas.<\/p>\n

A patologia computacional envolve o uso de processamento de imagem e tecnologia de IA para construir modelos de patologia computacional de IA. Esses modelos adquirem imagens histopatol\u00f3gicas e conduzem avalia\u00e7\u00f5es preliminares da apar\u00eancia morfol\u00f3gica dessas imagens para auxiliar no diagn\u00f3stico, avalia\u00e7\u00e3o quantitativa e tomada de decis\u00e3o por meio de t\u00e9cnicas automatizadas de an\u00e1lise de imagem.<\/p>\n

Atualmente, com o crescimento explosivo de tecnologias de IA generativas representadas pelo ChatGPT, modelos de linguagem multimodais grandes (MLLMs) est\u00e3o sendo cada vez mais aplicados em pesquisa de patologia computacional e pr\u00e1tica cl\u00ednica em patologia. No entanto, no subcampo altamente especializado de patologia anat\u00f4mica, a pesquisa sobre a constru\u00e7\u00e3o de assistentes de IA gerais e multimodais para patologia ainda est\u00e1 em seus est\u00e1gios iniciais.<\/p>\n

Neste trabalho, a equipe de pesquisa projetou um assistente de IA generativo multimodal especificamente para pesquisa de patologia humana \u2014 PathChat. Eles pr\u00e9-treinaram o sistema por meio de aprendizado autossupervisionado em mais de 100 milh\u00f5es de fragmentos de imagem de tecido celular de mais de 1 milh\u00e3o de slides. Ao combinar isso com um codificador visual puro de \u00faltima gera\u00e7\u00e3o, UNI, eles geraram um MLLM capaz de raciocinar sobre entradas visuais e de linguagem natural. Ap\u00f3s o ajuste fino em um conjunto de dados de mais de 450.000 pontos de dados de instru\u00e7\u00e3o, o PathChat foi constru\u00eddo.<\/p>\n

A pesquisa descobriu que o PathChat n\u00e3o s\u00f3 pode lidar com entradas multimodais, mas tamb\u00e9m responder com precis\u00e3o a consultas complexas relacionadas a patologias, identificando corretamente doen\u00e7as em l\u00e2minas de bi\u00f3psia em quase 90% dos casos.<\/p>\n

\"CaminhoCaht\"

CaminhoCaht<\/p><\/div>\n

Superando GPT-4V com precis\u00e3o de quase 90%<\/h3>\n

Para testar o desempenho de detec\u00e7\u00e3o do PathChat, a equipe de pesquisa comparou o PathChat com o modelo de c\u00f3digo aberto LLaVA, o LLaVA-Med espec\u00edfico para uso biom\u00e9dico e o GPT-4V.<\/p>\n

Eles projetaram o experimento de compara\u00e7\u00e3o PathQABench, analisando casos patol\u00f3gicos de diferentes \u00f3rg\u00e3os e pr\u00e1ticas para comparar o desempenho de detec\u00e7\u00e3o do PathChat com LLaVA, LLaVA-Med e GPT-4V.<\/p>\n<\/div>\n

Os resultados mostraram que, sem fornecer contexto cl\u00ednico, a precis\u00e3o diagn\u00f3stica do PathChat foi significativamente maior do que a do LLaVA 1.5 e do LLaVA-Med. Ao avaliar imagens sozinhas, o PathChat atingiu uma precis\u00e3o de 78,1% em todos os benchmarks combinados, o que \u00e9 52,4% maior do que o LLaVA 1.5 e 63,8% maior do que o LLaVA-Med.<\/p>\n

Com a inclus\u00e3o do contexto cl\u00ednico, a precis\u00e3o do PathChat aumentou ainda mais para 89,5%, que \u00e9 39,0% maior que o LLaVA 1,5 e 60,9% maior que o LLaVA-Med.<\/p>\n

O experimento comparativo revelou que o PathChat pode derivar capacidade preditiva substancial somente das caracter\u00edsticas visuais das imagens, em vez de depender somente do contexto cl\u00ednico. Ele pode utilizar informa\u00e7\u00f5es multimodais de forma eficaz e flex\u00edvel para diagnosticar com precis\u00e3o imagens histol\u00f3gicas ao incorporar informa\u00e7\u00f5es n\u00e3o visuais fornecidas por meio de linguagem natural comum.<\/p>\n

Para avaliar objetivamente a precis\u00e3o das respostas de cada modelo a perguntas abertas, a equipe de pesquisa recrutou sete patologistas para formar um painel de avalia\u00e7\u00e3o. Comparando as respostas dos quatro modelos a 260 perguntas abertas, a precis\u00e3o das detec\u00e7\u00f5es do modelo foi analisada.<\/p>\n

Finalmente, em quest\u00f5es abertas onde os sete especialistas puderam chegar a um consenso, a precis\u00e3o geral do PathChat foi de 78,7%, que foi 26,4%, 48,9% e 48,1% maior que GPT-4V, LLaVA 1.5 e LLaVA-Med, respectivamente. No geral, o PathChat demonstrou desempenho superior em compara\u00e7\u00e3o aos outros tr\u00eas modelos.<\/p>\n

Pesquisadores indicaram que o PathChat pode analisar e descrever detalhes morfol\u00f3gicos sutis em imagens de tecidos patol\u00f3gicos. Al\u00e9m de entradas de imagem, ele tamb\u00e9m pode responder perguntas que exigem patologia e conhecimento geral de base biom\u00e9dica, tornando-o uma ferramenta promissora para auxiliar patologistas e pesquisadores.<\/p>\n

Apesar do excelente desempenho do PathChat em experimentos, ele ainda enfrenta alguns desafios em aplica\u00e7\u00f5es pr\u00e1ticas. Isso inclui garantir que o modelo possa identificar consultas inv\u00e1lidas e evitar sa\u00eddas err\u00f4neas, manter a sincroniza\u00e7\u00e3o com o conhecimento m\u00e9dico mais recente e abordar o fato de que os dados de treinamento do PathChat v\u00eam principalmente de dados hist\u00f3ricos, que podem refletir "consenso cient\u00edfico passado" em vez das informa\u00e7\u00f5es mais recentes.<\/p>\n

Pesquisadores declararam que estudos futuros podem aprimorar ainda mais as capacidades do PathChat, incluindo suporte a entradas WSI de gigapixel inteiro ou m\u00faltiplas WSI e integra\u00e7\u00e3o de suporte mais espec\u00edfico para tarefas, como contagem precisa ou localiza\u00e7\u00e3o de objetos. Al\u00e9m disso, integrar o PathChat com visualizadores de slides digitais ou registros m\u00e9dicos eletr\u00f4nicos pode melhorar ainda mais sua praticidade na pr\u00e1tica cl\u00ednica.<\/p>\n

Recentemente, o modelo de IA generativa multimodal PathChat 2 foi lan\u00e7ado. Ele pode raciocinar sobre imagens e texto de patologia, aceitando entradas alternadas de m\u00faltiplas imagens e texto de alta resolu\u00e7\u00e3o em um visualizador de slides interativo, fornecendo assim avalia\u00e7\u00f5es mais abrangentes para cada caso de consulta.<\/p>\n

Comparado ao PathChat 1, ele melhorou significativamente o desempenho em diagn\u00f3stico diferencial e descri\u00e7\u00e3o morfol\u00f3gica. Ele tamb\u00e9m melhorou as capacidades em tarefas como seguir instru\u00e7\u00f5es, responder perguntas abertas e sumarizar relat\u00f3rios.<\/p>\n