Que s'est-il passé
La division de recherche d'Alibaba, Damo Academy, a publié un modèle de langage de vision open source appelé Damo Radar, conçu pour analyser les tomodensitogrammes à contraste amélioré. Le modèle est capable d'identifier 146 résultats cliniques distincts dans 18 organes abdominaux, y compris diverses tumeurs malignes. Selon le rapport de NewsBytes, le modèle a été formé sur un ensemble de données comprenant à la fois des tomodensitogrammes et des rapports cliniques pour atteindre ses capacités de diagnostic.
La Damo Academy d'Alibaba a publié Damo Radar, un modèle de langage de vision open source spécialement conçu pour l'imagerie médicale. Le système est conçu pour traiter des tomodensitogrammes à contraste amélioré afin d'identifier un large éventail de pathologies abdominales.
Le modèle couvre 18 organes abdominaux et est capable de détecter 146 résultats cliniques différents, y compris des tumeurs malignes. L'équipe de recherche décrit le système comme un modèle d'imagerie médicale « généraliste », destiné à fournir une analyse de niveau expert.
La formation pour Damo Radar impliquait un ensemble de données à grande échelle de tomodensitogrammes associé aux rapports cliniques correspondants. Le modèle a atteint une aire moyenne sous la courbe (AUC) de 0,913 sur la base de tests effectués sur près de 40 000 examens réels.
Détails de la source: newsbytesapp.com ↗
Pourquoi c'est important
L'introduction de Damo Radar représente une étape importante dans l'application des modèles de langage visuel au diagnostic médical. En atteignant une aire sous la courbe (AUC) de 0,913 sur près de 40 000 examens réels, le modèle démontre des performances de haut niveau dans l’identification de pathologies abdominales complexes. Ce développement se distingue par son potentiel à aider les radiologues en automatisant le dépistage des tomodensitogrammes, réduisant potentiellement le temps de diagnostic et améliorant la détection d'anomalies qui pourraient autrement passer inaperçues. La nature open source du modèle permet une recherche et une intégration plus larges dans les systèmes de santé, bien que la mise en œuvre pratique en milieu clinique reste soumise à l'approbation réglementaire et à une validation ultérieure. L’équipe de recherche suggère que la méthodologie de formation sous-jacente pourrait éventuellement être étendue à d’autres formes d’imagerie médicale, élargissant potentiellement la portée des diagnostics assistés par l’IA au-delà de la santé abdominale.
La sortie de Damo Radar met en évidence la capacité croissante des modèles de langage visuel à gérer des tâches médicales spécialisées. En automatisant l’analyse de tomodensitogrammes complexes, le modèle vise à aider les professionnels de santé à identifier plus efficacement les maladies.
La disponibilité open source du modèle est un facteur important, car elle permet aux chercheurs et aux développeurs de s'appuyer sur l'architecture existante. Cela pourrait accélérer le développement d’outils similaires pour d’autres modalités d’imagerie médicale.
L'ASC rapportée de 0,913 indique un niveau élevé de précision diagnostique, ce qui est essentiel pour l'adoption clinique. Cependant, l’impact pratique dépendra de l’efficacité avec laquelle le modèle peut être intégré aux flux de travail cliniques existants et de ses performances dans des environnements réels non contrôlés.
Mécanisme interactif : comment cela fonctionne réellement
Explorez de manière interactive la technologie sous-jacente à ce développement.
Which component of an AI application is the machine-learning model itself?
Que regarder ensuite
L'objectif principal des observateurs sera la transition du modèle de la recherche à l'application clinique. Les principales inconnues incluent les voies réglementaires spécifiques requises pour son déploiement dans diverses juridictions de soins de santé et la disponibilité du modèle pour l'intégration par des développeurs de logiciels médicaux tiers. De plus, bien que l’ASC rapportée de 0,913 soit élevée, une validation clinique indépendante auprès de diverses populations de patients sera nécessaire pour confirmer sa fiabilité dans différents environnements hospitaliers et équipements d’imagerie. Les futures mises à jour pourraient préciser si le modèle sera intégré aux plateformes de diagnostic existantes ou s'il nécessitera une infrastructure autonome.
Surveillez les annonces concernant les conditions de licence spécifiques de la version open source et toute documentation associée pour les développeurs.
Surveillez les études indépendantes ou les publications évaluées par des pairs qui valident les performances du modèle en dehors des ensembles de données de formation et de test initiaux fournis par Damo Academy.
Observez comment les établissements de santé ou les entreprises de technologie médicale choisissent de mettre en œuvre ou d’adapter ce modèle à un usage clinique, notamment en ce qui concerne les protocoles de sécurité et la surveillance du diagnostic.