Cadre de raisonnement diagnostique adaptatif pour la pathologie avec des modèles de langage multimodaux

Pourquoi cela compte pour le diagnostic du cancer

Lorsqu’un pathologiste examine un échantillon de tissu au microscope, il prend des décisions qui peuvent changer une vie : y a‑t‑il un cancer, de quel type s’agit‑il et quelle pourrait être son agressivité ? Des programmes informatiques aident déjà à analyser des milliers d’images de ce type, mais la plupart fonctionnent comme des boîtes noires mystérieuses, fournissant une réponse par oui ou non sans montrer clairement leur raisonnement. Cette étude présente une nouvelle manière d’associer l’IA de compréhension d’images au raisonnement fondé sur le langage, de sorte que l’ordinateur non seulement indique son diagnostic, mais explique aussi pourquoi, en utilisant des termes cohérents avec la façon dont les pathologistes réels raisonnent.

Transformer les boîtes noires en explicateurs

La plupart des systèmes existants pour l’analyse des lames de pathologie se concentrent sur la simple précision. Ils apprennent des motifs à partir de millions de pixels puis produisent une étiquette telle que

Citation: Hong, Y., Kao, KC., Edwards, L. et al. Adaptive diagnostic reasoning framework for pathology with multimodal large language models. Commun Med 6, 236 (2026). https://doi.org/10.1038/s43856-026-01491-z

Mots-clés: pathologie computationnelle, IA explicable, diagnostic du cancer, modèles de langage multimodaux, imagerie médicale