Investigadores desarrollaron un modelo médico multimodal de gran lenguaje o Med-MLLM, para mejorar la toma de decisiones en respuesta a brotes de nuevas enfermedades.
Las redes neuronales profundas o deep neural netwoks, ha logrado aplicarse en procedimientos de decisión clínica, esto puede favorecer a la eficacia del diagnóstico de enfermedades, y además aliviar la carga de trabajo de los profesionales de la salud. Sin embargo, generalmente la mayoría de estas redes son supervisadas y su rendimiento depende en gran medida del volumen y la calidad de información que dispone de un tema en específico. Es decir, puede ser útil ante enfermedades comunes o de las que se tiene menos información.
En este sentido, investigadores de Oxford University, Yale University, YuLab, Shanghai Jiao Tong University School of Medicine y Peking University, desarrollaron un gran modelo de lenguaje (LLM, en inglés) basado en o inteligencia artificial (IA), capaz de brindar apoyo en la toma de decisiones ante el brote de nuevas enfermedades o pandemias. El modelo es capaz deprender de diferentes tipos de datos médicos, como lo son imágenes de rayos X, tomografías computarizadas, informes médicos e incluso notas clínicas escritas para mejorar la toma de decisiones. Este modelo es capaz de ayudar en la toma de decisiones aun cuando la información sobre nuevas enfermedades sea limitada.
De esta forma, el modelo logra adaptarse a nuevas enfermedades a pesar de contar con poca información. Esto fue probado al recibir información sobre COVID-19 en distintos idiomas como, inglés, chino y español; con diferentes tipos de datos médicos, como imágenes y textos; y con reportes sobre pronóstico y diagnóstico de la enfermedad. Los resultados mostraron que el LLM logró tomar decisiones precisas y sólidas incluso con poca información disponible.
Los autores explican las tres principales contribuciones de su trabajo:
Los investigadores evaluaron la eficacia del Med-MLLM utilizando información sobre la pandemia COVID-19. El modelo fue capaz de realizar tareas precisas de apoyo en la toma de decisiones clínicas incluso con una cantidad de datos limitada.
Por otra parte, el Med-MLLM fue capaz de manejar datos de sólo imagen, de sólo texto y de imagen-texto, abordando múltiples tareas médicas, como la elaboración de informes, el diagnóstico y el pronóstico. Para su eficacia, llevaron a cabo experimentos retrospectivos y prospectivos, al pre entrenar el modelo a partir datos de COVID-19 y después una predicción para la variante ómicron es decir en diversos idiomas, modalidades, idiomas y regiones.
Finalmente, para evaluar la escalabilidad de Med-MLLM, los autores investigaron otras 14 enfermedades comunes del tórax y la tuberculosis. “Nuestros resultados muestran que Med-MLLM alcanza rendimientos competitivos con respecto a trabajos anteriores con el 1% de los datos de entrenamiento etiquetados, y un rendimiento comparable cuando se utiliza el conjunto de entrenamiento completo”, explicaron en el estudio.
Check the full study at the following link:
