Modelo multimodal desenvolvido por Microsoft Research e Paige conecta imagens de tecido a linguagem de laudos.
Pesquisadores de Microsoft Research e Paige desenvolveram o modelo fundamental de patologia PRISM2, descrito em estudo publicado em Nature Medicine. O modelo foi treinado com imagens de tecidos e linguagem extraída de laudos para reconhecer padrões e responder a prompts.
O estudo, publicado em Nature Medicine, apresenta PRISM2 como um modelo criado para integrar informações visuais e textuais de patologia. O trabalho foi conduzido por equipes da Microsoft Research e da Paige, empresa que agora faz parte da Tempus. O modelo foi treinado com pares de imagens e dados derivados de laudos, gerando milhões de exemplos de perguntas e respostas que conectam achados visuais ao texto diagnóstico.
Resultados em testes de referência
Em avaliações de referência, PRISM2 igualou ou superou o desempenho de sistemas especializados em tarefas de detecção de câncer, incluindo câncer de próstata, câncer de mama e detecção de metástases em linfonodos mamários. Os autores destacam que esses resultados foram obtidos sem a necessidade de criar um modelo separado para cada tarefa.
O modelo pode operar apenas com imagens ou com imagens combinadas ao texto, o que permite interações via prompts em vez de depender de software específico para cada aplicação. De acordo com os pesquisadores, essa abordagem busca facilitar a construção e adaptação de ferramentas de patologia para múltiplas tarefas futuras.
Por que o avanço é relevante
A patologia é central em muitos diagnósticos de câncer: patologistas examinam amostras de tecido e produzem laudos que orientam decisões terapêuticas. À medida que a área de saúde gera volumes maiores de dados, pesquisadores investigam como a inteligência artificial pode apoiar a prática clínica e a pesquisa.
Enquanto a maioria dos sistemas atuais de IA em patologia é projetada para um único propósito, PRISM2 foi desenvolvido como um esforço de pesquisa para oferecer suporte a uma gama mais ampla de tarefas por meio de um único modelo multimodal.
Como o modelo foi treinado
Os pesquisadores emparelharam imagens de patologia com informações extraídas de laudos para criar exemplos de perguntas e respostas. Esse procedimento treinou o modelo para associar padrões visuais nos tecidos à linguagem que clínicos usam nos diagnósticos.
O método contrasta com abordagens anteriores, que focavam sobretudo em aprender representações visuais apenas a partir de imagens. PRISM2 foi concebido desde o início para vincular padrões visuais ao vocabulário diagnóstico.
Disponibilidade para pesquisa
Os pesos completos do PRISM2 estão disponíveis publicamente para uso de pesquisa nos repositórios do Hugging Face. Segundo os autores, a liberação dos pesos visa acelerar trabalhos futuros na área.
Imagem principal criada com Microsoft Copilot.
Assuntos nesse artigo:
#prism2, #patologia, #inteligenciaartificial, #ia, #microsoftresearch, #paige, #tempus, #huggingface, #naturemedicine, #cancer, #cancerdeprostata, #cancerdemama, #metastase, #linfonodo, #imagensmedicas, #laudos, #modelo, #pesquisa, #diagnostico, #copilot