Estructuración de modelos de base de patología con conocimiento de dominio

Área de la Ciencia:

• Inteligencia artificial
• Patología computacional
• Informática médica

Sus antecedentes:

• Los modelos de base se utilizan cada vez más en la investigación médica.
• La integración de conocimientos estructurados en modelos de IA puede mejorar el rendimiento.
• Los puntos de referencia de patología a menudo enfrentan desafíos con la clasificación de enfermedades raras.

Objetivo del estudio:

• Presentar KEEP, un modelo de lenguaje de visión guiado por el conocimiento.
• Aprovechar el conocimiento jerárquico de la enfermedad para mejorar el rendimiento de la IA en patología.
• Mejorar las capacidades de aprendizaje de cero y pocas muestras para la clasificación del cáncer.

Principales métodos:

• Desarrollo de KEEP, un modelo de lenguaje de visión de base.
• Incorporación de conocimiento jerárquico de la enfermedad utilizando un grafo de enfermedad estructurado durante el preentrenamiento.
• Evaluación del rendimiento del modelo en múltiples puntos de referencia de patología.

Principales resultados:

• El aprendizaje guiado por el conocimiento mejoró las representaciones semánticas.
• Se logró un rendimiento mejorado de cero y pocas muestras en los puntos de referencia de patología.
• Se demostraron mejoras notables en la clasificación de cánceres raros.

Conclusiones:

• KEEP integra eficazmente el conocimiento jerárquico de la enfermedad en modelos de base.
• El modelo muestra un potencial significativo para avanzar en la patología computacional y el diagnóstico de cánceres raros.
• El aprendizaje guiado por el conocimiento es un enfoque prometedor para mejorar la IA en aplicaciones médicas.