XGeM: Un modelo fundacional multimodal para la generación de datos médicos

Área de la Ciencia:

• Inteligencia artificial en imágenes médicas
• IA generativa para la atención médica
• Síntesis de datos multimodales

Sus antecedentes:

• La IA en imágenes médicas ofrece potencial pero enfrenta obstáculos como la escasez de datos, la privacidad y la integración multimodal.
• Los modelos generativos actuales a menudo producen datos sintéticos unimodales o unidireccionales, careciendo de consistencia clínica.
• Los métodos existentes luchan con la síntesis conjunta de múltiples modalidades de datos médicos.

Objetivo del estudio:

• Presentar XGeM, un modelo generativo multimodal a gran escala para la síntesis flexible de datos médicos de cualquier a cualquier.
• Superar las limitaciones de los modelos generativos existentes en el manejo de múltiples tipos de datos simultáneamente.
• Proporcionar un modelo fundacional para abordar desafíos críticos en datos médicos.

Principales métodos:

• Desarrollado XGeM, un modelo generativo multimodal de 6.77 mil millones de parámetros.
• Construido un espacio latente compartido utilizando aprendizaje contrastivo.
• Implementada una nueva estrategia de entrenamiento Multi-Prompt para el condicionamiento en subconjuntos arbitrarios de modalidades de entrada.

Principales resultados:

• XGeM demostró un rendimiento superior en comparación con cinco competidores en el conjunto de datos MIMIC-CXR.
• Radiólogos expertos confirmaron la relevancia clínica y el realismo de los datos generados por XGeM a través de una prueba de Turing visual.
• XGeM apoyó eficazmente la anonimización de datos médicos, el desequilibrio de clases y los desafíos de escasez de datos.

Conclusiones:

• XGeM ofrece una solución potente para la síntesis de datos médicos multimodales, preservando la consistencia clínica.
• La flexibilidad del modelo y su capacidad para generar resultados multimodales coherentes abordan las principales limitaciones de la IA actual.
• XGeM sirve como un modelo fundacional con un potencial significativo para avanzar en las aplicaciones de IA médica.