AI en la investigación de la conjuntivitis: evaluación de ChatGPT y DeepSeek para la etiología, la intervención y la...

Área de la Ciencia:

• La inteligencia artificial en la medicina
• Aplicaciones de procesamiento de lenguaje natural
• Diagnóstico médico

Sus antecedentes:

• Los grandes modelos de lenguaje (LLM) son prometedores en el cuidado de la salud.
• La evaluación de las capacidades de diagnóstico de LLM es crucial.
• La ingeniería rápida mejora el rendimiento de LLM.

Objetivo del estudio:

• Comparar la precisión del diagnóstico de los modelos de IA (ChatGPT, DeepSeek y Claude).
• Evaluar las LLM para responder preguntas clínicas y el análisis de imágenes.
• Investigar el impacto de la ingeniería rápida en la calidad de la respuesta.

Principales métodos:

• Utilizó ChatGPT, DeepSeek para responder preguntas clínicas.
• Empleado ChatGPT, Claude, DeepSeek para el análisis de imágenes de conjuntivitis.
• Aplicación de ingeniería rápida y análisis de sensibilidad.

Principales resultados:

• DeepSeek proporcionó información más precisa sobre la conjuntivitis (alucinación del 7% frente al 13% de ChatGPT).
• Claude logró una precisión del 100% en la clasificación de imágenes binarias, superando el 62,5% de ChatGPT.
• DeepSeek demostró limitaciones en el análisis de conjuntos de datos de imágenes.

Conclusiones:

• DeepSeek sobresale en consultas médicas basadas en texto; ChatGPT es mejor para información general.
• Claude muestra un rendimiento superior en tareas de diagnóstico basadas en imágenes.
• Los modelos de IA ofrecen potencial en el diagnóstico médico, pero requieren una evaluación cuidadosa para aplicaciones específicas.