Video Experimental Relacionado
Updated: Jun 15, 2026
07:15
Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model
Published on: August 16, 2020
7.6K
Análisis de sensibilidad secuencial de modelos grandes de lenguaje multimodales para la detección de enfermedades
Chaoyu Lei1,2,3, Kaiyuan Ji4,5, Chen Zhao3
1Hainan Research Institute, Shanghai Jiao Tong University, Sanya, Hainan, China.
Communications medicine
|February 20, 2026
Resumen
Los modelos grandes de lenguaje multimodales (MLLM) muestran potencial en el diagnóstico de enfermedades orbitarias raras. La integración de diversos datos clínicos mejora significativamente la precisión diagnóstica de los MLLM, ayudando en las decisiones clínicas.
Área de la Ciencia:
- Oftalmología
- Inteligencia Artificial
- Diagnóstico Médico
Sus antecedentes:
- El diagnóstico tardío de enfermedades orbitarias raras es común debido a la limitada conciencia clínica.
- Estudios previos muestran que los modelos grandes de lenguaje multimodales (MLLM) pueden detectar afecciones oculares comunes.
Objetivo del estudio:
- Evaluar si la integración de datos clínicos multimodales mejora la precisión diagnóstica de los MLLM para enfermedades orbitarias raras.
- Evaluar el rendimiento de los MLLM en comparación con modelos tradicionales y de próxima generación.
Principales métodos:
- Un estudio retrospectivo multinacional analizó dos conjuntos de datos.
- Se ajustó un modelo de preentrenamiento de lenguaje e imagen contrastivo (CLIP) para la clasificación preliminar.
- Se evaluó un MLLM (GPT-4o-Latest) con análisis de sensibilidad secuencial de entradas multimodales, incluido un agente de IA que combina CLIP y GPT-4o-Latest.
Principales resultados:
- El modelo CLIP logró una precisión de detección preliminar del 90,21%, superando a los modelos de referencia.
- La precisión del MLLM mejoró significativamente con entradas multimodales; el agente combinado alcanzó una precisión del 85,29% en el top 5.
- Los informes médicos y las recomendaciones generados fueron precisos, legibles, completos y tuvieron bajo potencial de daño.
Conclusiones:
- Los MLLM demuestran un potencial significativo para mejorar la precisión diagnóstica en enfermedades orbitarias raras.
- Esta tecnología puede respaldar la toma de decisiones clínicas y mejorar la atención al paciente para afecciones orbitarias raras.
