Detección de anomalías en el ámbito médico mediante modelos de fundación multimodales

Área de la Ciencia:

• La inteligencia artificial en la medicina
• Análisis de datos médicos
• Patología computacional

Sus antecedentes:

• La IA tradicional lucha con las relaciones temporales y semánticas en los datos clínicos.
• La generalización e interpretabilidad limitadas dificultan las aplicaciones de IA en el mundo real en el cuidado de la salud.
• Necesidad de sistemas robustos de detección de anomalías médicas.

Objetivo del estudio:

• Desarrollar un nuevo marco de IA para la detección de anomalías médicas.
• Mejorar la generalización e interpretabilidad de los modelos de IA en entornos clínicos.
• Abordar los desafíos en la captura de complejas relaciones temporales y semánticas en los datos de atención médica.

Principales métodos:

• Propuso un marco que integraba representaciones simbólicas, un modelo neuronal basado en gráficos (PathoGraph) y un refinamiento guiado por el conocimiento.
• Registros clínicos estructurados, gráficos de síntomas en evolución y ontologías médicas.
• Construido espacios latentes semánticamente interpretables para una mayor robustez.

Principales resultados:

• El modelo PathoGraph superó a las líneas de base existentes en la detección de patrones de comorbilidad raros.
• Se ha demostrado un rendimiento superior en la identificación de respuestas anormales al tratamiento.
• Demostró una mejor robustez del modelo bajo supervisión escasa y cambios de distribución.

Conclusiones:

• El marco propuesto ofrece una solución generalizable y explicable para la detección de anomalías en la asistencia sanitaria.
• Alinear el conocimiento del dominio con la IA multimodal aumenta la confiabilidad para el despliegue clínico.
• PathoGraph avanza en la aplicación de la IA en la detección de anomalías médicas y el apoyo a las decisiones clínicas.