DeepGut: Un marco de modelo de lenguaje multimodal colaborativo para el diagnóstico y el tratamiento asistido de...

Área de la Ciencia:

• La inteligencia artificial en la medicina
• Diagnóstico de las enfermedades digestivas
• Sistemas de apoyo a la toma de decisiones clínicas

Sus antecedentes:

• Las enfermedades gastrointestinales presentan desafíos diagnósticos complejos que requieren la integración de datos variados de pacientes.
• Las herramientas actuales de diagnóstico de la IA a menudo se basan en tipos de datos únicos, lo que lleva a recomendaciones incompletas y riesgos potenciales.
• Los médicos necesitan herramientas avanzadas para sintetizar el historial médico, los resultados de laboratorio y las imágenes para un diagnóstico preciso.

Objetivo del estudio:

• Desarrollar y evaluar un marco colaborativo multimodal de grandes modelos lingüísticos (LLM) para mejorar la toma de decisiones clínicas en enfermedades digestivas.
• Crear un sistema de IA capaz de integrar diversas fuentes de datos para un soporte de diagnóstico integral.
• Evaluar el rendimiento y la fiabilidad de un nuevo LLM multimodal para ayudar a los médicos con diagnósticos gastrointestinales.

Principales métodos:

• Desarrolló DeepGut, un marco de LLM multimodal colaborativo de cuatro niveles que integra cuatro grandes modelos.
• Procesamiento secuencial implementado para la extracción de información multimodal, construcción de cadena lógica y generación de sugerencias de diagnóstico/tratamiento.
• Evaluó el marco utilizando indicadores objetivos de fiabilidad y exhaustividad, junto con evaluaciones subjetivas de expertos.

Principales resultados:

• DeepGut logró un alto rendimiento: una precisión de diagnóstico del 97,8%, una integridad del diagnóstico del 93,9%, una precisión del plan de tratamiento del 95,2% y una integridad del plan de tratamiento del 98,0%.
• La colaboración multimodal LLM superó significativamente las herramientas de diagnóstico de IA monomodal.
• Los revisores expertos elogiaron la integridad, relevancia y coherencia lógica de los resultados generados por la IA.

Conclusiones:

• El marco DeepGut integra con éxito datos de diagnóstico multimodal para una mejor toma de decisiones clínicas asistida por IA en enfermedades digestivas.
• La colaboración multimodal LLM demuestra un potencial significativo para el avance de las aplicaciones de inteligencia artificial en el cuidado de la salud.
• Este enfoque abre nuevas vías para utilizar la IA para apoyar a los médicos en escenarios de diagnóstico complejos.