Preentrenamiento mejorado con conocimiento para el modelo de base de patología de visión y lenguaje en el diagnóstico...

Área de la Ciencia:

• Patología computacional
• Inteligencia artificial en medicina
• Análisis de imágenes médicas

Sus antecedentes:

• Los modelos de base de visión y lenguaje muestran potencial en patología computacional.
• Los modelos actuales están impulsados principalmente por datos y carecen de una integración explícita del conocimiento médico.

Objetivo del estudio:

• Presentar KnowledgE-Enhanced Pathology (KEEP), un modelo de base que incorpora sistemáticamente el conocimiento de la enfermedad en el preentrenamiento para el diagnóstico del cáncer.
• Mejorar la comprensión de las relaciones entre enfermedades y los patrones morfológicos en imágenes de patología.

Principales métodos:

• Se utilizó un grafo de conocimiento integral de enfermedades (11 454 enfermedades, 139 143 atributos).
• Se reorganizaron millones de pares de imágenes-texto de patología en grupos semánticamente estructurados alineados con las jerarquías de ontología de enfermedades.
• Se empleó el preentrenamiento mejorado con conocimiento para alinear las representaciones visuales y textuales dentro de los espacios semánticos jerárquicos.

Principales resultados:

• KEEP superó consistentemente a los modelos de base existentes en 18 puntos de referencia públicos (más de 14 000 imágenes de cortes completos) y 4 conjuntos de datos institucionales de cánceres raros (926 casos).
• Demostró mejoras sustanciales de rendimiento, particularmente para subtipos de cáncer raros.
• Estableció el preentrenamiento mejorado con conocimiento como un método eficaz para alinear representaciones en espacios semánticos jerárquicos.

Conclusiones:

• El modelado de visión y lenguaje mejorado con conocimiento es un paradigma poderoso para avanzar en la patología computacional.
• KEEP ofrece un enfoque novedoso para integrar el conocimiento médico, mejorando la precisión diagnóstica y la comprensión de enfermedades complejas.
• Los hallazgos sugieren una dirección prometedora para el desarrollo de herramientas de IA más sólidas e interpretables en patología.