Adaptatywne ramy rozumowania diagnostycznego w patologii z multimodalnymi dużymi modelami językowymi

Dlaczego ma to znaczenie dla rozpoznawania nowotworów

Gdy patolog ogląda próbkę tkanki pod mikroskopem, podejmuje decyzje mające wpływ na życie: czy jest to nowotwór, jaki to typ i jak agresywny może być? Programy komputerowe już pomagają przeglądać tysiące takich obrazów, ale większość działa jak tajemnicze czarne skrzynki, dając odpowiedź tak‑lub‑nie bez jasnego pokazania toku myślenia. To badanie przedstawia nowe podejście łączące sztuczną inteligencję rozumiejącą obrazy z rozumowaniem opartym na języku, tak aby komputer nie tylko mówił, co sądzi, lecz także wyjaśniał dlaczego, w terminach zgodnych z tym, jak naprawdę rozumują patolodzy.

Przekształcanie czarnych skrzynek w systemy wyjaśniające

Większość istniejących systemów do czytania preparatów patologicznych koncentruje się na surowej dokładności. Uczą się wzorców z milionów pikseli, a następnie zwracają etykietę taką jak

Cytowanie: 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

Słowa kluczowe: patologia obliczeniowa, wyjaśnialna sztuczna inteligencja, diagnoza nowotworowa, multimodalne modele językowe, obrazowanie medyczne