Estrutura adaptativa de raciocínio diagnóstico para patologia com grandes modelos de linguagem multimodais

Por que isso importa para o diagnóstico do câncer

Quando um patologista examina uma amostra de tecido ao microscópio, ele toma decisões que podem mudar a vida: existe câncer, que tipo é e quão agressivo pode ser? Programas de computador já ajudam a vasculhar milhares dessas imagens, mas a maioria age como caixas‑pretas misteriosas, oferecendo uma resposta sim‑ou‑não sem mostrar claramente seu raciocínio. Este estudo apresenta uma nova forma de emparelhar a compreensão de imagens por IA com raciocínio baseado em linguagem para que o computador não apenas diga o que pensa, mas também explique por que, em termos que se alinham com a forma como patologistas reais raciocinam.

Transformando caixas‑pretas em explicadores

A maioria dos sistemas existentes para ler lâminas de patologia foca na precisão pura. Eles aprendem padrões a partir de milhões de pixels e então produzem um rótulo como

Citação: 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

Palavras-chave: patologia computacional, IA explicável, diagnóstico de câncer, modelos de linguagem multimodais, imagem médica